Top-N推荐算法：探寻最先进技术
信息检索
2022-05-16 v2
摘要
关于推荐系统算法的研究，如同应用机器学习的其他领域，很大程度上由改进最先进技术（通常以准确度为度量）的努力所主导。然而，若干近期研究指出，多年来所报告的改进有时“对不上”，且当独立评估时，数年前发表的方法常优于最新模型。造成此现象的因素包括：一些研究者可能常只对自己的模型而非基线进行精细调参。本文中，我们报告了对十种协同过滤算法——涵盖传统与神经模型——在近期文献中频繁使用的三个数据集上若干常用性能度量的深入、系统且可复现的比较结果。我们的结果表明，在所考察的top-n推荐任务中，跨数据集与度量不存在一致的胜出者。此外，我们发现就任何准确度度量而言，所考虑的神经模型均未带来最佳性能。关于算法在各度量上的性能排序，我们发现线性模型、最近邻方法和传统矩阵分解对于所评估的适中规模但常用的数据集始终表现良好。因此，我们的工作应作为研究者在未来性能比较中需考虑的现有基线的指南。此外，通过提供针对不同数据集的一组精细调参基线模型，我们希望有助于建立top-n推荐任务最先进技术的共识。
引用
@article{arxiv.2203.01155,
title = {Top-N Recommendation Algorithms: A Quest for the State-of-the-Art},
author = {Vito Walter Anelli and Alejandro Bellogín and Tommaso Di Noia and Dietmar Jannach and Claudio Pomo},
journal= {arXiv preprint arXiv:2203.01155},
year = {2022}
}