कलिब्रेटेड अनुशंसाएँ

जब एक उपयोगकर्ता ने, कहने के लिए, 70 रोमांस फिल्में और 30 एक्शन फिल्में देखी हैं, तो यह अपेक्षित है कि अनुशंसित फिल्मों की व्यक्तिगत सूची में लगभग 70% रोमांस और 30% एक्शन फिल्में शामिल हों। इस महत्वपूर्ण विशेषता को कैलिब्रेशन कहा जाता है, और हाल ही में मशीन लर्निंग में निष्पक्षता के संदर्भ में इसे फिर से ध्यान में लाया गया है। अनुशंसित वस्तुओं की सूची में, कैलिब्रेशन सुनिश्चित करता है कि उपयोगकर्ता के विभिन्न (भूतपूर्व) रुचि क्षेत्रों का उनके संबंधित अनुपात में परिलक्षित होना। कैलिब्रेशन विशेष रूप से महत्वपूर्ण है इस तथ्य के आलोक में कि सटीकता (जैसे, रैंकिंग मैट्रिक्स) की ओर अनुकूलित अनुशंसा प्रणालियाँ आमतौर पर ऑफलिन सेटिंग में उपयोगकर्ता की मुख्य रुचियों द्वारा कम रुचियों को आसानी से ओवरशैड कर सकती हैं- जिसे हम अनुभवातीत रूप से दर्शाते हैं। इसे कैलिब्रेटेड अनुशंसाओं द्वारा रोका जा सकता है। इस उद्देश्य के लिए, हम कैलिब्रेशन के डिग्री को मापने के लिए मैट्रिक्स और अनुशंसा प्रणालियों के आउटपुट के पोस्ट-प्रोसेसिंग के लिए एक साधारण लेकिन प्रभावी दोबारा रैंकिंग एल्गोरिदम को रेखांकित करते हैं।