理解基于会话的推荐中的多样性
摘要：当前基于会话的推荐系统（SBRSs）主要关注最大化推荐准确性，而很少有研究致力于提高除准确性之外的多样性。同时，准确性导向的SBRSs在多样性方面的表现尚不清楚。此外，在文献中对准确性和多样性之间所谓的“权衡”关系越来越受到质疑。针对上述问题，我们进行了一项全面研究，特别检验代表性SBRS的推荐性能，以准确性和多样性为重点，以更好地理解SBRS的多样性相关问题，并为设计多样化的SBRS提供指导。特别地，为了公平和全面比较，我们故意选择了最先进的非神经网络、深度神经网络和多样化的SBRS，涵盖更多的场景，并配备了适当的实验设置，如代表性数据集、评估指标和超参数优化技术。我们的实证结果揭示了以下几点：1）非多样化方法也可以在多样性方面获得令人满意的表现，甚至可能超过多样性方法；2）准确性和多样性之间的关系非常复杂。除了“权衡”关系之外，它们可能相互正相关，即具有相同趋势（双赢或双输）的关系，这种关系在不同的方法和数据集中各不相同。此外，我们进一步确定了对SBRS中多样性可能产生影响的三个可能因素（即物品分类的细节程度、数据集的会话多样性以及推荐列表的长度）。
作者：Qing Yin, Hui Fang, Zhu Sun, Yew-Soon Ong
论文ID：2208.13453
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-06-01