面向推荐系统的主题级贝叶斯惊喜与意外发现
信息检索
2023-10-20 v2 人工智能
机器学习
摘要
仅优化推荐以拟合用户对已消费项目的评分历史的推荐系统，可能造成过滤气泡，使用户无法体验到来自新颖、未见类别的项目。缓解此不良行为的其中一种方法是推荐具有高意外发现潜力的项目，即令人惊喜且可能被高评分的项目。本文提出了一种植根于贝叶斯惊喜的基于内容的意外发现形式化方法，并用其在用户消费并评分后衡量项目的意外发现程度。当与识别相似用户的协同过滤组件结合时，这能够实现推荐具有高意外发现潜力的项目。为促进对惊喜与意外发现的主题级模型评估，我们引入了一个从 Goodreads 提取的读书历史数据集，包含超过 2.6 万用户和近 130 万本书，其中我们手动标注了 4 名用户阅读的 449 本书的随时间变化的主题级惊喜。实验评估表明，使用贝叶斯惊喜的模型比基于距离的启发式方法更能与主题级惊喜的手动标注相关联，并且也获得了更好的意外发现项目推荐性能。
引用
@article{arxiv.2308.06368,
title = {Topic-Level Bayesian Surprise and Serendipity for Recommender Systems},
author = {Tonmoy Hasan and Razvan Bunescu},
journal= {arXiv preprint arXiv:2308.06368},
year = {2023}
}
备注
Errata: Table 2 caption should be "Surprising item *detection* ..."