SIGIRMar, 2023

MobileRec：一份用于移动应用推荐的大规模数据集

PDF
TL;DRMobileRec 是一个大规模的基于 Google Play Store 的数据集，包含了 1900 多万次用户互动和 10K 多种不同类型的应用程序，通过比较研究了几种最先进的推荐方法，MobileRec 可以作为测试应用程序的理想平台，并作为基准线提供量化结果，以供其他研究人员进行比较。
recommender systemsmobile appsbenchmark datasetsuser interactionsapp recommendation
发现论文，激发创造
  • MobileConvRec: 移动应用推荐的对话数据集

    现有的推荐系统主要集中在两个范式上：一是基于历史用户 - 项目交互的推荐，二是会话式推荐。对话式推荐系统促进用户和系统之间的自然语言对话，允许系统获取用户明确需求并允许用户提问和提供反馈。鉴于自然语言处理的重大进展，对话式推荐系统日益受到关注。现有的对话式推荐数据集在各自领域的研究中发挥了重要作用。然而，近年来移动用户和应用程序呈指数增长，对话式移动应用推荐系统的研究面临重大限制，主要归因于缺乏专门针对移动应用程序的高质量基准数据集。为促进对话式移动应用推荐的研究，我们引入了 MobileConvRec。MobileConvRec 通过利用用户在 Google Play 商店上与移动应用的真实交互进行对话模拟，该交互数据最初捕获在大规模移动应用推荐数据集 MobileRec 中。MobileConvRec 将连续的用户 - 项目交互（反映隐式用户偏好）与全面的多轮对话相结合，以有效把握用户的明确需求。MobileConvRec 包括超过 12,000 个涵盖 45 个应用类别的多轮推荐相关对话。此外，MobileConvRec 为每个应用程序提供丰富的元数据，如权限数据，安全和隐私相关信息以及应用程序的二进制可执行文件等。通过对几个预训练的大型语言模型的比较研究，我们证明了 MobileConvRec 可作为对话式移动应用推荐的优秀测试平台。

    May, 2024

  • MerRec：一个用于 C2C 推荐系统的大规模多用途 Mercari 数据集

    MerRec 是第一个针对 C2C 推荐的大规模数据集，包含用户、产品和时间戳等标准特征，以及商品分类和文本属性等独特元素，通过六个推荐任务的广泛评估，为研究 C2C 推荐算法在实际场景中的发展建立了一个新的基准，弥合了学术界和工业界之间的差距。

    Feb, 2024

  • HotelRec：一种新颖的大规模酒店推荐数据集

    本文提出了 HotelRec，这是一个基于 TripAdvisor 的非常大规模的酒店推荐数据集，包含了 5000 万条评论。这是公开发布的最大的酒店领域数据集，并且是单个领域的最大推荐数据集和具有文本评论的最大数据集。

    Feb, 2020

  • RecSys Challenge 2023：从数据准备到预测的简单、高效、健壮和可扩展解决方案

    RecSys Challenge 2023 年由 ShareChat 主办，旨在预测用户在在 ShareChat 和 Moj 应用程序中看到广告印象后是否会在智能手机上安装应用程序。'Team UMONS' 在该挑战中提出了准确的解决方案（最佳得分为 6.622686），采用了一个相对较小的模型，可以在不同的生产配置中轻松实施。我们的解决方案在增加数据集大小时具有良好的可扩展性，并且可以与包含缺失值的数据集一起使用。

    Jan, 2024

  • Frappe: 在野外了解移动应用推荐的使用和认知

    该研究描述了一个名为 Frappe 的上下文感知移动应用推荐系统的实际部署，并结合了 1000 名安卓用户和 33 名本地用户进行了大规模应用市场部署与小规模本地用户研究。研究结果发现了上下文相关的应用使用和终端用户与上下文感知移动应用推荐互动时的感受与体验，并且从小规模研究中揭示了一些负面的用户体验。结果指出在真实用户中设计、部署和评估移动上下文感知推荐系统的一些创新性教训。

    May, 2015

  • OpenSiteRec：网站推荐的开放数据集

    本研究旨在为品牌发展提供有益和关键的信息检索任务之一的场所推荐，建立一个全面的数据集，名为 OpenSiteRec。OpenSiteRec 利用异构图模式表示各种类型的真实世界实体和关系，以评估推荐模型在场所推荐任务上的性能。

    Jul, 2023

  • EdgeRec: 移动淘宝边缘推荐系统

    提出一种基于边缘计算的推荐系统 (EdgeRec)，通过异构用户行为序列建模和行为注意力网络对推荐结果进行上下文感知的调整，实现实时用户感知和系统反馈，并通过淘宝主页数据的离线评估和在线性能测试证明了其有效性。

    May, 2020

  • 基于聚类和用户交互嵌入配置文件的高效无限用户 - 项目规模推荐系统

    本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。

    Jan, 2024

  • 移动供应：推荐系统的最后一块拼图

    为解决推荐系统中的分页机制问题，研究者提出了一种名为 Mobile Supply 的新模块，将推荐系统的流程扩展为 “retrival->pre-ranking->ranking->re-ranking->Mobile Supply->mobile ranking”。该模块通过引入列表值概念和采用点对点方法来近似评估列表排序方式，并设计了一种新的移动排序算法，考虑了移动设备之间的差异。大量的离线和在线实验显示了该方法的优越性，并证明了 Mobile Supply 可以进一步提升边缘推荐系统和用户体验的性能。Mobile Supply 已经在一个大规模在线食品平台的主页上部署，并带来了可观的利润。

    Aug, 2023

  • 我们的模型在 MovieLens 上取得出色的表现：这意味着什么？

    通过对 MovieLens 数据集的细致分析，揭示了使用该数据集评估推荐算法可能存在的潜在影响，包括用户交互的不同阶段的差异、推荐算法对用户交互的影响、用户交互顺序变化对算法的挑战以及与实际推荐场景存在的差异等。

    Jul, 2023