Kollaboratives Filtern und die Annahme der fehlenden Daten nach dem Zufallsprinzip

Die Vorhersage von Bewertungen ist eine wichtige Anwendung und ein beliebtes Forschungsthema im kollaborativen Filtern. Allerdings basieren sowohl die Validität von Lernalgorithmen als auch die Validität gängiger Testverfahren auf der Annahme, dass fehlende Bewertungen nach dem Zufallsprinzip fehlen (MAR). In diesem Papier präsentieren wir die Ergebnisse einer Benutzerstudie, in der wir eine Zufallsstichprobe von Bewertungen von aktuellen Nutzern eines Online-Radioservices sammeln. Eine Analyse der in der Studie gesammelten Bewertungsdaten zeigt, dass die Stichprobe der zufälligen Bewertungen deutlich andere Eigenschaften aufweist als die Bewertungen von benutzerausgewählten Songs. Bei der Frage nach ihrem eigenen Bewertungverhalten geben eine große Anzahl von Nutzern an, dass sie glauben, ihre Meinung zu einem Song beeinflusse, ob sie diesen Song bewerten, was die MAR-Bedingung verletzt. Schließlich präsentieren wir experimentelle Ergebnisse, die zeigen, dass die Einbeziehung eines expliziten Modells des Fehlender-Daten-Mechanismus zu erheblichen Verbesserungen der Vorhersageleistung bei der Zufallsstichprobe von Bewertungen führen kann.