Incorporating Recklessness to Collaborative Filtering based Recommender Systems

要約

レコメンダー・システムは、信頼性とカバー率のジレンマと本質的に結びついている：予測の信頼性が高ければ高いほど、決定はより保守的になり、したがって推奨されるアイテムは少なくなる。これは、不確実な珍しいアイテムを推奨する代わりに、成功が保証されたアイテムを予測することに集中するため、これらのシステムの新規性を著しく低下させる。本論文では、行列因数分解に基づく推薦システムの学習プロセスに、予測された評価の出力確率分布の分散を考慮した、無謀と呼ばれる新しい項を含めることを提案する。このように、この無謀さを測定することで、よりスパイキーな出力分布を強制することができ、予測の信頼性を決定する際に望ましいリスクレベルの制御を可能にする。実験結果は、無謀さがリスク制御を可能にするだけでなく、推薦システムによって提供される予測の量と質を向上させることを示している。

要約(オリジナル)

Recommender systems are intrinsically tied to a reliability/coverage dilemma: The more reliable we desire the forecasts, the more conservative the decision will be and thus, the fewer items will be recommended. This leads to a significant drop in the novelty of these systems, since instead of recommending uncertain unusual items, they focus on predicting items with guaranteed success. In this paper, we propose the inclusion of a new term in the learning process of matrix factorization-based recommender systems, called recklessness, that takes into account the variance of the output probability distribution of the predicted ratings. In this way, gauging this recklessness measure we can force more spiky output distribution, enabling the control of the risk level desired when making decisions about the reliability of a prediction. Experimental results demonstrate that recklessness not only allows for risk regulation but also improves the quantity and quality of predictions provided by the recommender system.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL