个性化Top-K推荐

传统的Top-K推荐（即呈现得分最高的K个物品）是生成个性化排序列表的常见做法。然而，这种固定大小的Top-K推荐是否对每位用户都是最优的？未必。我们指出，不考虑用户效用的固定大小推荐可能并非最优，因为它可能不可避免地包含不相关物品，或限制相关物品的曝光。为解决此问题，我们提出个性化Top-K推荐（Top-Personalized-K Recommendation），这是一种新的推荐任务，旨在生成个性化大小的排序列表以最大化个体用户满意度。作为该任务的解决方案，我们开发了一个模型无关的框架PerK。PerK通过利用校准后的交互概率估计期望用户效用，进而选择最大化该期望效用的推荐大小。通过在真实数据集上的大量实验，我们证明了PerK在个性化Top-K推荐任务中的优越性。我们期望个性化Top-K推荐因其与现有模型的良好兼容性，有潜力为各种真实推荐场景提供增强的解决方案。