Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations

要約

最新のレコメンダー システムでは、関連性と多様性の両方を備えたレコメンデーションを提供することが重要な考慮事項です。
通常、多様性を高めると関連性が犠牲になり、ユーザー エンゲージメントが低下するため、これらの両方の対策を最適化すると基本的なトレードオフが生じます。
既存の推奨アルゴリズムは、関連性と多様性という 2 つの尺度を 1 つの目的に組み合わせ、指定された数のアイテムを推奨するために、その組み合わせた目的を最適化する推奨を求めることで、このトレードオフを解決しようとします。
ただし、従来のアプローチでは、推奨アイテムとのユーザーのインタラクションが考慮されていません。
このペーパーでは、ユーザーを中心的な舞台に置き、関連性、多様性、ユーザーの行動の間の相互作用に基づいて構築します。
エンゲージメントを最大化することのみを目的とするアプリケーションとは対照的に、私たちはユーザーが遭遇する知識の総量を最大化することを目的としたシナリオに焦点を当てます。
私たちは、システムとの対話中にユーザーが取得する知識の量の代わりとして多様性を使用し、多様性を最大化するよう努めます。
我々は、ユーザーが関連する推奨事項を受け取っている限りレコメンダーシステムと対話し続けるが、推奨されるアイテムの関連性が低下した場合には対話を停止する可能性がある、確率論的なユーザー行動モデルを提案します。
したがって、レコメンダー システムが多様性の高い尺度を達成するには、関連性と多様性の両方を備えたレコメンデーションを生成する必要があります。
最後に、コピュラ関数によって関連性と多様性を組み合わせた新しい推奨戦略を提案します。
私たちは、複数のデータセットにわたって提案された方法論の広範な評価を実施し、私たちの戦略がいくつかの最先端の競合他社よりも優れていることを示しました。
私たちの実装は https://github.com/EricaCoppolillo/EXPLORE で公開されています。

要約(オリジナル)

Providing recommendations that are both relevant and diverse is a key consideration of modern recommender systems. Optimizing both of these measures presents a fundamental trade-off, as higher diversity typically comes at the cost of relevance, resulting in lower user engagement. Existing recommendation algorithms try to resolve this trade-off by combining the two measures, relevance and diversity, into one aim and then seeking recommendations that optimize the combined objective, for a given number of items to recommend. Traditional approaches, however, do not consider the user interaction with the recommended items. In this paper, we put the user at the central stage, and build on the interplay between relevance, diversity, and user behavior. In contrast to applications where the goal is solely to maximize engagement, we focus on scenarios aiming at maximizing the total amount of knowledge encountered by the user. We use diversity as a surrogate of the amount of knowledge obtained by the user while interacting with the system, and we seek to maximize diversity. We propose a probabilistic user-behavior model in which users keep interacting with the recommender system as long as they receive relevant recommendations, but they may stop if the relevance of the recommended items drops. Thus, for a recommender system to achieve a high-diversity measure, it will need to produce recommendations that are both relevant and diverse. Finally, we propose a novel recommendation strategy that combines relevance and diversity by a copula function. We conduct an extensive evaluation of the proposed methodology over multiple datasets, and we show that our strategy outperforms several state-of-the-art competitors. Our implementation is publicly available at https://github.com/EricaCoppolillo/EXPLORE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google