在推荐系统中生成自我意外之喜偏好以解决冷启动问题
信息检索
2022-04-28 v1 机器学习
摘要
经典的面向准确度的推荐系统（RS）通常面临冷启动问题和过滤气泡问题，此时用户会收到熟悉、重复甚至可预测的推荐，从而感到无聊和不满。为解决上述问题，面向意外之喜的推荐系统被提出，旨在推荐与用户历史交互显著偏离、具有吸引力且有价值的物品，通过引入未探索但相关的候选物品来满足用户。在本文中，我们设计了一种新颖的面向意外之喜的推荐系统（生成式自意外之喜推荐系统，GS-RS），该系统生成用户的自意外之喜偏好以增强推荐性能。具体而言，该模型提取用户的兴趣和满意度偏好，从自身生成虚拟但可信的邻居偏好，并实现其自意外之喜偏好。然后，这些偏好作为附加信息注入评分矩阵，供推荐系统模型使用。值得注意的是，GS-RS不仅能解决冷启动问题，还能提供多样但相关的推荐，以缓解过滤气泡问题。在基准数据集上的大量实验表明，所提出的GS-RS模型在意外之喜指标上显著优于最先进的基线方法，同时保持稳定的准确度性能。
引用
@article{arxiv.2204.12651,
title = {Generating Self-Serendipity Preference in Recommender Systems for Addressing Cold Start Problems},
author = {Yuanbo Xu and Yongjian Yang and En Wang},
journal= {arXiv preprint arXiv:2204.12651},
year = {2022}
}
备注
This paper is an original work for tackling filter bubble and cold start problem in a uniform framework