从群体概况预测群体选择
摘要：小组推荐系统（GRS）通过将小组成员的个体偏好汇总为小组概况来确定要向小组推荐的项目。用于构建小组概况的偏好汇总策略也可用于预测小组可能选择的项目，即假设小组正在应用该策略。然而，预测小组选择是具有挑战性的，因为推荐系统不知道将被小组使用的精确偏好汇总策略。因此，本文旨在验证一个研究假设，即通过使用机器学习方法和观察到的小组选择的数据集，可以比使用标准偏好汇总策略更好地预测小组的最终选择。受社会决策方案理论的启发，该理论首次试图解决小组选择预测问题，我们寻找一个小组概况定义，它与机器学习模型结合使用，可以准确预测小组的选择。此外，为了应对数据稀缺问题，我们提出了两种数据增强方法，将合成小组概况添加到训练数据中，我们假设它们可以进一步提高选择预测准确性。我们通过使用一个包含282名参与者组成的79个小组的数据集来验证我们的研究假设。实验表明，所提出的方法在用于小组选择预测时优于基线汇总策略。该方法在存在偏好数据缺失的情况下具有鲁棒性，并在小组选择预测任务上取得了比人类更好的性能。最后，所提出的数据增强方法还可以提高预测准确性。我们的方法可以在新型GRS中利用，以确定小组可能选择的项目，并帮助小组做出更好的选择。
作者：Hanif Emamgholizadeh, Amra Delic, and Francesco Ricci
论文ID：2308.03083
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-08