下一周期推荐的现实检验
机器学习
2022-12-21 v3
摘要
在过去十年中，面向下一物品与下一篮子预测等知名任务的推荐系统（RecSys）取得了巨大进展。另一方面，近期提出的下一周期推荐（NPR）任务则较少被涉及。当前关于 NPR 的工作大多围绕不同的问题表述、方法和专有数据集展开，使得解决方案难以复现。在本文中，我们旨在使用公开可用数据集填补 RecSys 方法在 NPR 任务评估上的空白，并且（1）引入 TTRS，一个适用于 RecSys 方法评估的大规模金融交易数据集；（2）在多个数据集上针对 NPR 任务对流行的 RecSys 方法进行基准测试。在进行分析时，我们在多个真实世界数据集中发现了强烈的重复消费模式。在此设置下，我们的结果表明，数据的重复性本质对于所评估的 RecSys 方法仍难以泛化，且新物品预测性能仍存疑。
引用
@article{arxiv.2110.05589,
title = {Next Period Recommendation Reality Check},
author = {Sergey Kolesnikov and Oleg Lashinin and Michail Pechatov and Alexander Kosov},
journal= {arXiv preprint arXiv:2110.05589},
year = {2022}
}