学术推荐系统中基于元学习的逐实例算法选择
信息检索
2019-12-19 v1 数字图书馆
摘要
推荐系统算法的有效性在不同现实场景中存在差异。由于可用算法数量众多且性能各异，难以为某一场景选择最佳算法。此外，不可能选出一种单一算法对所有推荐请求都最优。我们将元学习应用于学术文章推荐的算法选择问题。我们训练了随机森林、梯度提升机和广义线性模型，以从一组基于内容相似度的算法池中预测最佳算法。我们在学术文章推荐的离线数据集上评估了该方法，并尝试逐实例预测最佳算法。与所有基算法的平均 F1（F1；0.0708 对 0.0376）相比，最佳元学习模型实现了平均 88% 的 F1 提升，并且能显著正确选择每个基算法（配对 t 检验；p < 0.1）。与单一最佳基算法相比，元学习器的 F1 高出 3%（F1；0.0739 对 0.0717）。我们进一步通过我们的推荐即服务平台 Mr. DLib 进行 A/B 测试，对方法开展在线评估。我们在 2019 年 1 月至 3 月间向用户交付了 148K 条推荐。与使用随机算法选择的推荐相比，采用元学习方法生成的推荐用户参与度显著提升（点击率（CTR）；0.51% 对 0.44%，卡方检验；p < 0.1），但我们的方法未产生高于最佳算法单独的 CTR（CTR；MoreLikeThis (Title)：0.58%）。
引用
@article{arxiv.1912.08694,
title = {Meta-Learned Per-Instance Algorithm Selection in Scholarly Recommender Systems},
author = {Andrew Collins and Joeran Beel},
journal= {arXiv preprint arXiv:1912.08694},
year = {2019}
}