Jun, 2024
迟做胜过不做：推荐编辑的制定和基准评估
Better Late Than Never: Formulating and Benchmarking Recommendation Editing
Chengyu Lai, Sheng Zhou, Zhimeng Jiang, Qiaoyu Tan, Yuanchen Bei...
TL;DR推荐系统在基于用户偏好的建议项目方面起着至关重要的作用。然而，在在线平台上，由于模型容量有限、数据质量差或用户兴趣的变化，这些系统不可避免地提供不适当的推荐。提高用户体验需要有效地纠正这种不适当的推荐行为。本文引入了一个名为推荐编辑的新颖且重要的任务，重点是修改已知的和不适当的推荐行为。具体而言，这个任务的目标是调整推荐模型以消除已知的不适当项目，而无需访问训练数据或重新训练模型。我们正式定义了推荐编辑的问题，有三个主要目标：严格纠正、合作纠正和集中纠正。我们开发了三个评估指标来定量评估每个目标的实现情况。我们提出了一个简单而有效的推荐编辑基准，使用了新颖的编辑贝叶斯个性化排名损失函数。为了展示所提方法的有效性，我们建立了一个综合性的基准，其中包括来自相关领域的各种方法。代码库可在此 URL 进行访问。