面向下一篮布推荐的考虑重复偏好的超准确指标优化
信息检索
2025-01-14 v1
摘要
在下一篮布推荐 (NBR) 中，基于用户的历史篮布序列来推荐一组物品。在许多领域，所推荐的篮布包含重复物品和探索物品。一些前沿 NBR 方法倾向于为了最大化效用而推荐大量重复物品。因此，对 NBR 的超准确目标（如项目公平性和多样性）的评估和优化引起日益关注。在重复偏好严重存在的情况下，如何 pursuing 超准确目标？我们发现，仅在不考虑重复偏好的情况下优化多样性或项目公平性，可能会导致 NBR 算法推荐更多重复物品。为解决此问题，我们提出一种模型无关的考虑重复偏好优化算法，用于后处理由 NBR 方法获得的推荐结果，以在优化多样性或项目公平性时减轻重复偏好。我们考虑了多种该优化算法的变体，以适应多种 NBR 方法。在三个真实世界的杂货购物数据集上的实验表明，所提算法能够有效提高多样性和项目公平性，并在可接受的 Recall 损失下减轻重复偏好。
引用
@article{arxiv.2501.06362,
title = {Repeat-bias-aware Optimization of Beyond-accuracy Metrics for Next Basket Recommendation},
author = {Yuanna Liu and Ming Li and Mohammad Aliannejadi and Maarten de Rijke},
journal= {arXiv preprint arXiv:2501.06362},
year = {2025}
}
备注
This paper has been accepted as a full paper at the 47th European Conference on Information Retrieval (ECIR2025)