如何使任何个性化推荐系统多样化？
信息检索
2025-02-05 v2
摘要
在本文中，我们引入了一种新颖的方法，在保持准确性的同时提高 Top-N 推荐的多样性。我们的方法采用以用户为中心的预处理策略，旨在让用户接触到广泛的内容类别和主题。我们通过选择性地从用户画像中添加和移除一定比例的交互来个性化此策略。这种个性化确保我们与用户偏好保持紧密一致，同时逐步引入分布偏移。我们的预处理技术具有灵活性，可以无缝集成到任何推荐架构中。我们在两个公开可用的新闻和书籍推荐数据集上进行了大量实验，以评估我们的方法。我们测试了各种标准和基于神经网络的推荐系统算法。结果表明，我们的方法生成了多样化的推荐，确保用户接触到更广泛的项目。此外，使用预处理数据进行训练可使推荐系统达到与在原始、未修改数据上训练的性能水平相当，在某些情况下甚至更好。此外，我们的方法通过促进对少数类别的曝光来提升提供者公平性。我们的 GitHub 代码可在以下地址获取：https://github.com/SlokomManel/How-to-Diversify-any-Personalized-Recommender-
引用
@article{arxiv.2405.02156,
title = {How to Diversify any Personalized Recommender?},
author = {Manel Slokom and Savvina Danil and Laura Hollink},
journal= {arXiv preprint arXiv:2405.02156},
year = {2025}
}
备注
Paper accepted to ECIR'2025