重新审视 BPR：一种常见推荐系统基线的可重复性研究
信息检索
2024-10-21 v2
摘要
贝叶斯个性化排序（BPR）是一种基于矩阵分解的协同过滤方法，常被用作推荐系统研究的基准。然而，许多研究往往忽视了 BPR 实现中的细微差别，声称其在各种任务中的表现不如新提出的方法。在本文中，我们全面考察了 BPR 模型的各项特性，指出了它们对模型性能的影响，并调研了开源的 BPR 实现。我们的分析揭示了这些实现与原始 BPR 论文之间存在不一致之处，导致特定实现的性能显著下降达 50%。此外，通过在现代评估设置下对真实世界数据集进行大量实验，我们证明，通过对超参数进行适当调优，BPR 模型在 top-n 推荐任务中可以达到接近 SOTA 方法的性能水平，甚至在特定数据集上超越它们。具体而言，在 Million Song Dataset 上，经过超参数调优的 BPR 模型在使用二元相关性函数时，其 NDCG@100 在统计上显著优于 Mult-VAE 10%。
引用
@article{arxiv.2409.14217,
title = {Revisiting BPR: A Replicability Study of a Common Recommender System Baseline},
author = {Aleksandr Milogradskii and Oleg Lashinin and Alexander P and Marina Ananyeva and Sergey Kolesnikov},
journal= {arXiv preprint arXiv:2409.14217},
year = {2024}
}
备注
This paper is accepted at the Reproducibility track of the ACM RecSys '24 conference