面向隐式反馈数据集排名预测的推荐系统算法选择
信息检索
2024-09-10 v1
摘要
面向隐式反馈数据集排名预测的推荐系统算法选择问题尚待深入探索。推荐系统算法选择的传统方法主要集中于显式反馈数据集上的评分预测，在隐式反馈数据集上的排名预测方面留下了研究空白。算法选择对于几乎每一位推荐系统从业者来说都是一项关键挑战。在本工作中，我们迈出了解决这一研究空白的第一步。我们在 72 个推荐系统数据集上评估了 24 种推荐系统算法的 NDCG@10，每种算法包含两种超参数配置。我们在生成的元数据集上训练了四个优化的机器学习元模型和一个采用三种不同设置的自动化机器学习元模型。结果表明，所有测试的元模型的预测结果与真实值之间的中位数 Spearman 相关系数在 0.857 到 0.918 之间。我们表明，当元模型被优化为预测算法的排名而非其性能时，元模型预测与真实值之间的中位数 Spearman 相关系数平均增加了 0.124。此外，在为未知数据集预测最佳算法方面，我们证明了最优化的传统元模型（例如 XGBoost）实现了 48.6% 的召回率，优于所测试的最佳自动化机器学习元模型（例如 AutoGluon），后者实现了 47.2% 的召回率。
引用
@article{arxiv.2409.05461,
title = {Recommender Systems Algorithm Selection for Ranking Prediction on Implicit Feedback Datasets},
author = {Lukas Wegmeth and Tobias Vente and Joeran Beel},
journal= {arXiv preprint arXiv:2409.05461},
year = {2024}
}
备注
Accepted for presentation at the 18th ACM Conference on Recommender Systems in the Late-Breaking Results Track