May, 2024

MovieLens 信念数据集：为在线推荐系统收集候选前数据

PDF
TL;DR该研究论文介绍了一种收集用户对未尝试过物品的信念的方法，该方法对选择行为起到关键作用。作者在 MovieLens 平台上实施了这种方法，生成了包含用户评分、信念和观察到的推荐的丰富数据集。该数据集使研究者能够更深入地了解用户行为，分析在没有推荐的情况下用户的选择，测量推荐的有效性，并设计利用用户信念数据的算法，从而提高推荐系统的影响力。
recommender systemsuser beliefschoice behavioruser behaviordataset
发现论文，激发创造
  • 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

  • 推荐作为治疗方案：去偏见化学习和评估

    该研究提供了一种使用因果推论来处理选择偏差的方法，可实现对推荐系统的评估和训练，并获得实际数据上显着改善的预测效果。

    Feb, 2016

  • MeLU: 冷启动推荐的元学习用户喜好估计器

    本文提出了一种推荐系统，名为 MeLU，基于元学习方法，在用户冷启动状态下能够快速预测用户偏好并提供个性化推荐，其关键在于选择特异性证据进行预测，该方法成功优于其他两种比较模型并被用户研究实验所验证。

    Jul, 2019

  • 基于协同过滤的多媒体推荐系统中的流行度偏差

    研究多媒体推荐系统的协作过滤算法，并发现其中的流行度偏差问题，导致推荐列表中较不受欢迎的项目被低估。通过对 LastFm、MovieLens、BookCrossing 和 MyAnimeList 等数据集进行研究，结果表明对普及度不高的项目感兴趣的用户的推荐体验要比对普及度中等和高的项目感兴趣的用户的推荐体验更差。

    Mar, 2022

  • 预训练推荐系统：因果去偏见观点

    通过训练泛域用户 - 物品交互数据，我们提出了一个适应性泛型推荐系统，该系统能够捕捉通用交互模式，并能在不同领域中快速适应以提高零样本和少样本学习性能。然而，不同领域的推荐数据存在域内和跨域偏差，我们通过引入因果去偏视角和预测模型 PreRec 有效克服了这一挑战，实证结果表明在跨市场和跨平台场景下，该模型能显著提升推荐性能。

    Oct, 2023

  • 推荐系统与人的交互

    该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

    Mar, 2017

  • 使用模拟用户来度量推荐系统的效果

    本文通过提出基于模拟框架的评估指标，研究了推荐系统中普遍存在的偏见与用户行为之间的关系，并通过经验案例研究了流行度偏见如何随时间展现。

    Jan, 2021

  • 来自推荐数据集的个性化任务的模拟情境强化学习

    利用像 MovieLens、Netflix、Million Song 等推荐数据集提供的真实数据进行生成，从而为个性化任务生成模拟的环境，以反映真实世界用户交互的细微差别。该方法可用于解决个性化任务、算法基准测试、模型模拟等方面。我们在 MovieLens 和 IMDb 数据集上进行了数值实例演示。

    Oct, 2022

  • 推荐系统中的偏差差异

    本研究在合成数据上进行了初步的实验研究，在不同条件下研究推荐系统如何表现出偏见失衡现象以及推荐的长期效果。我们考虑了一种简单的重新排名算法来减少偏见失衡，并对实际数据的数据失衡进行了一些观察。

    Nov, 2018

  • 基于评论一致性的电影推荐系统

    本文提出基于协作和内容的混合推荐系统，结合顶级评论家一致性和电影评分，建立一个推荐模型，可基于用户喜好和评论家评分综合推荐电影。

    Dec, 2021