推荐系统马太效应与稀疏性问题的定量分析
信息检索
2019-10-01 v1 机器学习
摘要
推荐系统已获得巨大的商业成功。推荐已广泛应用于电子商务、在线音乐 FM、在线新闻门户等领域。然而,与输入数据结构相关的若干问题对推荐系统的性能构成了严峻挑战。其中两个问题是马太效应和稀疏性问题。马太效应使推荐系统输出严重偏向热门物品。数据稀疏性问题直接影响推荐结果的覆盖率。协同过滤是一种简单的基准方法,被工业界普遍采用作为推荐系统设计的基线。理解协同过滤的底层机制对于进一步优化至关重要。在本文中,我们在协同过滤这一特定背景设置下对马太效应和稀疏性问题进行了详尽的定量分析。我们比较了基于用户和基于物品的协同过滤的底层机制,并为工业界推荐系统构建者提供了见解。
引用
@article{arxiv.1909.12798,
title = {Quantitative analysis of Matthew effect and sparsity problem of recommender systems},
author = {Hao Wang and Zonghu Wang and Weishi Zhang},
journal= {arXiv preprint arXiv:1909.12798},
year = {2019}
}