Restricted Bernoulli Matrix Factorization: Balancing the trade-off between prediction accuracy and coverage in classification based collaborative filtering

要約

機械学習モデルの予測に関連する信頼性の測定は、人工知能に対するユーザーの信頼を強化するために重要です。
したがって、予測だけでなく信頼性も提供できるモデルの人気が高くなります。
レコメンダ システムの分野では、信頼性が非常に重要です。ユーザーは確実に興味を引くレコメンデーション、つまり信頼性の高い予測を好む傾向があるためです。
この論文では、分類ベースの協調フィルタリングのパフォーマンスを向上させることを目的とした新しいアルゴリズムである制限付きベルヌーイ行列分解 (ResBeMF) を提案します。
提案されたモデルは、予測品質 (平均絶対誤差および精度スコア)、予測量 (カバレッジ スコア)、推奨品質 (平均平均精度スコア) の観点から、文献にある他の既存のソリューションと比較されています。
実験結果は、提案されたモデルが他の推奨モデルと比較して、使用される品質尺度の点で優れたバランスを提供していることを示しています。

要約(オリジナル)

Reliability measures associated with the prediction of the machine learning models are critical to strengthening user confidence in artificial intelligence. Therefore, those models that are able to provide not only predictions, but also reliability, enjoy greater popularity. In the field of recommender systems, reliability is crucial, since users tend to prefer those recommendations that are sure to interest them, that is, high predictions with high reliabilities. In this paper, we propose Restricted Bernoulli Matrix Factorization (ResBeMF), a new algorithm aimed at enhancing the performance of classification-based collaborative filtering. The proposed model has been compared to other existing solutions in the literature in terms of prediction quality (Mean Absolute Error and accuracy scores), prediction quantity (coverage score) and recommendation quality (Mean Average Precision score). The experimental results demonstrate that the proposed model provides a good balance in terms of the quality measures used compared to other recommendation models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google