论文标题:Coverage, Redundancy and Size-Awareness in Genre Diversity for Recommender Systems
论文出处(会议或期刊):RecSys
论文时间:2014
一、 摘要(翻译论文的摘要)
现在推荐系统领域越来越多地意识到多样性是提高推荐有效性的一重要特征。类型信息可以作为测量和提高推荐的多样性,而且在电影、音乐、图书领域是现成的。在这篇论文中我们在推荐系统上为定义类型号的多样性提出一个新的二项式框架,这个框考虑了三个重要的特性:类型覆盖范围、类型信息冗余、推荐列表的尺寸感知。我们展示了以前测量和提高推荐多样性的方法——包括那些改编自搜索结果多样化——无法处理这三个特征。我们也提出一个有效的贪婪的最优化技术去优化二项式多样性。在Netflix 上的实验展示了我们框架的性能和与其它方法的对比。
二、 相关技术(只写相关算法名称及相关解读参考网址)
1. Random
2. PopRec
3. Item-kNN
4. iMF
5. intra-list similarity (ILS)(参考论文Improving recommendation lists through topic diversification)
6.EILD(参考论文 Rank and relevance in novelty and diversity metrics for recommender systems)
7.MMR(参考论文 The use of MMR,diversity-based reranking for reordering documents and producing summaries.)
8.xQuAD(参考论文 Exploiting query reformulations for web search result diversification.)
9.DP(参考论文 Diversity by proportionality: an election-based approach to search result diversification.)
10.PM
三、 本文算法(本文提出的算法)
1. 算法1:
1) 名称:A Binomial Re-ranking Algorithm
2) 算法步骤:
a) 步骤一:输入原始推荐列表R
b) 步骤二:当R的绝对值大于0时,循环。
根据上图公式计算i*,得到新的R和重新排列S。
其中fobj:
Rel(i):代表用户对项目的基线评分
Div(i;S):
c) 步骤三:循环计算,直到R的绝对值小于0,返回最终得到的重新排列推荐列表S。
3) 用于解决本文的什么问题:提高推荐系统推荐的多样性
四、 实验
1. 实验数据集:
4) 数据集1:
a) 名称:Netflix dataset
b) 介绍:
c) 来源:
5) 数据集2:MovieLens 1M
2. 评判标准:
1) 各种评判值的介绍:ERR-IA 、 CPR、BinomDiv、EILD 、S-recall、nDCG、SPI
2) 相关公式:
3. 实验分析(翻译论文部分,提供图表)
上图是没有使用重排列方法得到的结果。
上图是基于iMF推荐算法使用重排列各种方法的结果,binomDiv(0.7)为本文提出算法。