项目介绍f

互惠推荐器是一类推荐系统，它对于人们既是推荐的主体又是推荐对象的几个任务很重要。一些例子是:工作推荐、导师-学员匹配和在线约会。尽管这种类型的推荐器很重要，但我们的工作是第一个区分它并定义它的属性。我们已经实施了RECON，一个在线约会的互惠推荐器，并在来自澳大利亚主要约会网站的大型数据集上对其进行了评估。我们调查了通过考虑互惠性获得的预测能力，发现它是可观的，例如它将前十名推荐的成功率从23%提高到42%，同时还提高了召回率。我们还发现互惠有助于解决冷启动问题，获得26%的新用户推荐的成功率。我们讨论了这些结果对我们的方法更广泛地用于其他互惠推荐者的影响。
1.介绍
推荐系统主要基于向用户提供一组系统预测用户会喜欢的推荐项目的目标。在本文中，我们专注于一个相当被忽视但重要的推荐者类别，我们称之为互惠推荐者，因为他们向人们推荐人，只有当两个人彼此喜欢或互惠时，才会出现成功的推荐。例如，在就业推荐系统中，潜在雇员寻找合适的职位，而提供职位的雇主正在寻找合适的潜在雇员。还有许多其他涉及互惠推荐的重要领域，包括指导系统、业务合作伙伴识别，以及我们工作的重点，旨在帮助人们结识合适合作伙伴的约会网站。
表1通过将互惠推荐系统与更传统的推荐系统进行比较来定义互惠推荐系统的特征。我们现在通过在线约会领域的示
例简要解栓』内会推荐器向用户Anarew此吉欢。因此，互
此推存的队活老虑Andrew(推行X的户都意识到成功的邑方
的偏好。表格的第二行指出，两个用户都意识到成功的互惠需要。这很重要，因为它推动了表格后面列出的其他重要方
面。
下一对特征与显式配置文件的不同角色有关，由用户直接提供有关他们自己及其偏好的信息，以及系统根据用户行为创建的隐式配置文件。由于非常早期的推荐系统，后者被认为是有价值的[14]，因为它可以构建有用的配置文件，而无需用户进行任何额外的工作。互惠推荐者的性质意味着显式配置文件具有特别突出的位置。在本文中，我们关注内在用户偏好与显式自我配置文件之间的匹配。在[20]中发现了一项关于使用显式和隐式用户偏好的研究。
继续我们的示例，在在线约会中，就像在传统的媒人或婚姻中介中一样，新用户Andrew需要在收到推荐之前提供详细信息。反映建议的互惠性质，他将通过回答有关性别、年龄和位置等属性的封闭问题来提供有关他自己和理想伴侣的信息。其中一些问题本质上是相互的，例如寻求的关系类型:短期或长期。安德鲁还将提供更复杂的信息形式，例如他的照片和对自己和理想伴侣的自由文字描述。
隐式配置文件的作用也很独特。在 Andrew创建他的个人资料后，他会收到一组初始推荐，每一个都以简短个人资料的形式出现。然后，他在网站上的行为将为他的隐含个人资料提供数据。例如，在看到Bery1 的简短个人资料时，他可能会点击查看她的完整个人资料。这表明他喜欢她。然后他可以向她发送一个预定义的消息，表明他喜欢她，或者他可以只是回去探索其他推荐。后一项行动提供了证据，表明完整档案中的某些信息使他灰心。
在在线约会系统中，如果 Andrew找到伴侣并与她建立长期关系，他可能永远不会回到该网站。这与在线电影推荐器不同，如果网站运行良好，用户可以继续使用该网站。这种差异是由于互惠推荐者的人与人之间的本质―一当人们成功找到约会、工作或导师时，他们可能永远不会回到网站。这不是绝对的特征;有些人可能需要找到很多工作，而另一些人可能会寻找很多合作伙伴。但是，互惠推荐者应该考虑到隐式配置文件可能会突然结束。这些可能表示成功，如Andrew 的例子，但也可能表示失败，例如Chris不满意离开系统，因为他没有收到满意的推荐。系统可能没有区分安德鲁和克里斯案件所需的数据。当然，丰富的显式配置文件，可以与可用的隐式配置文件结合使用。但是互惠推荐器的设计必须考虑隐式配置文件的冷启动问题。
我们现在考虑最后一组定义特征。第一个与需要避免人员超载有关。如果书籍推荐系统向用户推荐同一本书并且他/她购买它，则没有问题。但是，在诸如在线约会之类的人与人之间的推荐系统中，将同一个人(例如Beryl)推荐给大应避免大量用户。首先，Beryl 只能选择少数人约会（也许只有一个人)。其次，如果她非常受欢迎并且被推荐给很多人，她可能会被关注淹没并停止响应。结果，其他试图与她联系的用户可能会因为她没有回复或回复否定而灰心。
表1的最后一行介绍了互惠推荐者在人们可能扮演的不同角色方面的另一个重要方面。例如，安德鲁可能扮演一个积极的角色，开始与系统推荐的人联系。相比之下，Beryl 可能扮演一个被动的角色，主要与那些开始与她接触的人交流。因此，Beryl 出现在PEOS推荐中很重要，因为她在网站中没有发挥积极作用。同样，在许多工作场所，潜在员工扮演主动角色，而雇主扮演被动角色。值得注意的是，系统可能难以快速区分谁是被动用户，因此该原则可以应用于所有尚不知道是否主动的用户。这凸显了解决互惠推荐者冷启动问题的重要性。
在我们与一家大型在线约会网站合作的背景下，我们开始意识到互惠推荐人的独特性。基于这一认识，我们构建了RECON，一个使用在线约会历史数据进行推荐的互惠推荐系统。为了了解互惠推荐器以及如何构建它们，我们设计了实验来比较使用互惠的推荐器与不使用互惠的推荐器的性能。然后，如上所述，鉴于冷启动问题在几个层面上的重要性，我们设计了实验来评估我们的推荐系统与现有系统相比的能力。接下来的第2节回顾了互惠推荐器和社会匹配推荐器的文献。第3 节描述了RECON算法的三个主要部分:找到用户的偏好、计算兼容性分数以及生成互惠推荐的排名列表。我们还提供了有关我们实施RECON的详细信息。第4 节介绍了评估设置和评估结果，包括互惠效应和RECON对新用户的影响。最后，第5节讨论了结果及其对其他互惠推荐者的影响。
2.相关工作
鉴于涉及互惠的领域范围很广，已经有一些有趣的作品探索了构建互惠系统的方法。本节回顾了一些重要的互惠系统示例，例如约会、求职、专家查找、朋友和同事匹配、将学生与愿意并能够帮助他们的人匹配。此外，我们简要讨论了一些已建立的技术及其创建具有我们在表1中确定的特定属性的有效推荐器的潜力，特别是与以下重要性相关:显式配置文件，因为它们特别丰富;可用的隐式配置文件;需要避免超负荷或忽视个人;以及冷启动问题的性质，特别是用于解决许多用户的短暂停留以及反应性用户的存在。
我们现在描述一些涉及reci-的重要工作推荐者中的亲和性。值得注意的是，社交匹配的广泛领域，向他人推荐人[25]与互惠推荐者有着明确的联系，因为匹配的质量是由参与匹配的人决定的。然而，一些现有的社会儿配工作仅针对一方的需求[22]。虽然很少有论文讨论互惠的概念，甚至更少尝试对其采取行动，但已经有一些重要的工作为互惠推荐器的创建提供了信息。
Beehive [6]是IBM内部的一个社交网站。它可以帮助用户交流、共享信息和彼此成为朋友。陈等人。探索了四种算法的使用，两种主要基于内容，两种主要基于协同过滤。他们根据准确性和提供新颖建议的能力评估了这些方法，得出的结论是，与未收到任何建议的对照组相比，所有四种方法都增加了连接数量。基于内容的技术在以前不知道的联系人中提供了最高比例的良好推荐;协同过滤在查找以前已知的联系人方面效果很好。
i-Help系统[4]帮助学生找到愿意并且能够帮助他们解决计算机科学问题的同伴。PHelpS系统[10]在工作场所应用了类似的方法，以便员工可以找到一个人来帮助他们完成不熟悉的任务。两个系统都依赖于丰富的用户模型或配置文件，以考虑潜在帮助者和帮助请求者的专业知识，以及他们对彼此的偏好。这项工作涉及少数用户，因为它仅限于那些选择参与系统的用户，并且唯一考虑的帮助者是那些在请求帮助时登录并可用的帮助者。
工作匹配系统[15]的双边推荐方法也解决了互惠问题。除了根据能力和资质筛选候选人外，系统的“工作偏好”部分还利用了候选人为其他工作列表提供的评级。本文讨论了双边匹配问题，重点是在考虑匹配双方的偏好时寻找全局最优解，例如帕累托最优解。考虑了找到该解决方案的计算效率，并提出了一些启发式方法来解决限制。对于我们在线约会任务规模的互惠推荐者，这种方法的适用性相当有限。值得注意的是，当无法保证用户偏好的准确性时，以全局最优解为目标是有问题的。这项工作采用直观的方法来处理推荐中两个用户的偏好，有两个独立的推荐者，每个都考虑一侧的偏好，并结合两个推荐者的输出。更广泛地说，在[5]中总结了组合不同推荐器的方法。