遗忘词汇但铭记意义：在言语与语义标签推荐器中建模遗忘
信息检索
2014-05-09 v2
摘要
我们假设，当推荐系统基于对人类如何处理信息的透彻理解时，它们会更加成功。在本文中，我们在社会标签系统的背景下测试了这一假设。关于人类如何分配标签的认知研究表明，他们利用了记忆中的两个相互关联的知识层面：概念层面的语义场或主题，以及将语义层面的模式转化为词汇的词汇层面。另一条标签研究线索揭示了时间依赖性遗忘对用户标签选择的强烈影响，使得最近使用的标签比“较旧”的标签有更高的重用概率。在本文中，我们通过实现一种人类记忆的计算理论将这两条线索统一起来，该理论整合了双层概念和遗忘过程，并将其形式化为一个标签推荐器，然后在三个大规模社会标签数据集（取自 BibSonomy、CiteULike 和 Flickr）中对其进行测试。正如预期的那样，我们的结果揭示了时间的选择性效应：遗忘在标签的词汇层面上更为显著。其次，基于这一观察结果的广泛评估表明，一个连接这两个层面并在词汇层面上整合时间依赖性遗忘的标签推荐器，能够产生高精度的预测，并优于其他成熟的算法，如协同过滤、成对交互张量分解、FolkRank 以及两种替代的时间依赖方法。我们得出结论，标签推荐器可以通过超越词汇共现的表层层面，并在词汇层面上包含遗忘过程而获益。
引用
@article{arxiv.1402.0728,
title = {Forgetting the Words but Remembering the Meaning: Modeling Forgetting in a Verbal and Semantic Tag Recommender},
author = {Dominik Kowald and Paul Seitlinger and Christoph Trattner and Tobias Ley},
journal= {arXiv preprint arXiv:1402.0728},
year = {2014}
}