关于推荐系统的泛化性与可预测性
信息检索
2022-10-10 v2 人工智能
机器学习
摘要
尽管机器学习其他领域已见到越来越多的自动化，设计高性能推荐系统仍需要高度的人力投入。此外，近期工作表明现代推荐系统算法并非总能优于调优良好的基线。一个自然的后续问题是：“如何为新数据集和性能度量选择合适的算法？”在本工作中，我们首先通过对 85 个数据集和 315 个度量比较 18 种算法和 100 组超参数，给出推荐系统方法的首个大规模研究。我们发现最优算法和超参数高度依赖于数据集和性能度量，但各算法性能与数据集的多种元特征之间也存在强相关性。受这些发现启发，我们创建了 RecZilla，一种用于推荐系统的元学习方法，利用模型预测新未知数据集的最优算法与超参数。通过使用远比先前工作更多的元训练数据，RecZilla 能在面对新推荐系统应用时大幅减少人力介入。我们不仅发布了代码与预训练的 RecZilla 模型，还发布了所有原始实验结果，以便实践者为其期望的性能度量训练 RecZilla 模型：https://github.com/naszilla/reczilla。
引用
@article{arxiv.2206.11886,
title = {On the Generalizability and Predictability of Recommender Systems},
author = {Duncan McElfresh and Sujay Khandagale and Jonathan Valverde and John P. Dickerson and Colin White},
journal= {arXiv preprint arXiv:2206.11886},
year = {2022}
}
备注
NeurIPS 2022