基于群体画像预测群体选择
信息检索
2024-01-15 v2
摘要
群体推荐系统(GRSs)通过将群体成员的个体偏好聚合成群体画像,并选择群体画像中得分最高的物品,来识别推荐给一群人的物品。GRS 假设群体采用与 GRS 所采用的相同的偏好聚合策略,从而预测这些推荐会被该群体选择。然而,预测群体的选择更为复杂,因为 GRS 并不知道群体将使用的确切偏好聚合策略。为此,本文旨在验证如下研究假设:通过使用机器学习方法和观察到的群体选择数据集,可以比使用标准偏好聚合策略更好地预测群体的最终选择。受首次尝试解决群体选择预测问题的决策方案理论(Decision Scheme theory)启发,我们寻找一种群体画像定义,该定义与机器学习模型结合可用于准确预测群体选择。此外,为应对数据稀缺问题,我们提出两种数据增强方法,将合成群体画像加入训练数据,并假设它们能进一步提高选择预测精度。我们使用包含 79 个群体、282 名参与者的数据集验证了研究假设。实验表明,所提方法用于群体选择预测时优于基线聚合策略。我们提出的方法在存在缺失偏好数据时具有鲁棒性,并且在该群体选择预测任务上取得了优于人类所能达到的性能。最后,所提出的数据增强方法也能提高预测精度。
引用
@article{arxiv.2308.03083,
title = {Predicting Group Choices from Group Profiles},
author = {Hanif Emamgholizadeh and Amra Delic and Francesco Ricci},
journal= {arXiv preprint arXiv:2308.03083},
year = {2024}
}