相关性与多样性并重：一种新型推荐推断方法

机器学习 2020-09-29 v1 信息检索社会与信息网络

作者: Yifang Liu , Zhentao Xu , Qiyuan An , Yang Yi , Yanzhi Wang , Trevor Hastie

摘要

相关性和多样性对推荐系统的成功都十分重要，因为它们帮助用户从大量条目池中发掘出一组既有趣又具探索性的紧凑候选集。挑战在于，在常规推荐系统中相关性和多样性通常作为两个相互竞争的目标，这 necessitates 了利用与探索之间的经典权衡。传统上，更高的多样性往往意味着相关性的牺牲，反之亦然。我们提出一种新方法——异构推断，它通过引入一种全新的 CF 推断方式（负到正）来扩展通用协同过滤（CF）。异构推断实现了发散相关性，其中相关性和多样性在一个推荐模型中作为两个协作的目标相互支持，且推荐多样性是相关性推断过程的内在结果。得益于其简洁与灵活，我们的方法适用于各种复杂程度下广泛的推荐场景/用例。我们在公开数据集和真实生产数据上的分析与实验表明，我们的方法在相关性和多样性上同时优于现有方法。

关键词

推荐系统相关性多样性异构推断协同过滤负到正

引用

@article{arxiv.2009.12969,
  title  = {Simultaneous Relevance and Diversity: A New Recommendation Inference Approach},
  author = {Yifang Liu and Zhentao Xu and Qiyuan An and Yang Yi and Yanzhi Wang and Trevor Hastie},
  journal= {arXiv preprint arXiv:2009.12969},
  year   = {2020}
}

备注

9 pages

相关性与多样性并重：一种新型推荐推断方法

摘要

关键词

引用

备注

相关论文