面向项目集补全的推荐：论项目共现的语义及数据稀疏性、输入规模与输入模态
信息检索
2021-05-11 v1
摘要
我们解决向用户推荐相关项目以“补全”已知部分项目集的问题。我们考虑引文推荐与主题标签推荐两种场景，它们分别类似项目共现的不同语义：共引的关联性与主题标签的多样性。我们评估已知部分项目集的完备性对推荐器性能的影响。我们还通过剪枝参数研究数据稀疏性，以及使用额外元数据的影响。作为推荐模型，我们聚焦于不同自编码器，其特别适用于重构集合中的缺失项目。我们将自编码器扩展以利用文本与结构化数据的多模态输入。在六个真实数据集上的实验表明，当项目共现类似关联性时，将部分项目集作为输入是有帮助的，而当共现意味着多样性时元数据是有效的。这一结果意味着项目共现的语义是一个重要因素。简单项目共现模型是引文推荐的强基线。然而，自编码器的优势在于能够利用除部分项目集外的额外元数据作为输入并取得可比性能。对于主题标签推荐任务，标题是最重要的属性。增加更多输入模态有时甚至损害结果。总之，为选择合适的推荐模型并审慎决定利用哪些元数据，考虑项目共现的语义至关重要。
引用
@article{arxiv.2105.04376,
title = {Recommendations for Item Set Completion: On the Semantics of Item Co-Occurrence With Data Sparsity, Input Size, and Input Modalities},
author = {Iacopo Vagliano and Lukas Galke and Ansgar Scherp},
journal= {arXiv preprint arXiv:2105.04376},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:1907.12366