Wenn Empfehlungsgeber versagen

Hybride Empfehlungssysteme --- Systeme, die mehrere Algorithmen zusammen verwenden, um die Empfehlungsqualität zu verbessern --- sind seit vielen Jahren bekannt und haben in jüngsten Demonstrationen wie dem NetFlix Prize gute Leistungen gezeigt. Moderne Hybridisierungstechniken, wie gewichtetes lineares Stapeln von Merkmalen, nutzen die Hypothese aus, dass die relative Leistung der Empfehlungsgeber von den Umständen abhängt, und versuchen, jeden Punktwert zu optimieren, um die Stärken der Komponenten-Empfehlungsgeber zu maximieren. Weniger Aufmerksamkeit wurde jedoch darauf verwendet, zu verstehen, was diese Stärken und Fehlerquellen sind. Zu verstehen, was bestimmte Empfehlungsgeber zum Scheitern bringt, wird die bessere Auswahl der Komponenten-Empfehlungsgeber für zukünftige hybride Systeme erleichtern und ein besseres Verständnis dafür ermöglichen, wie individuelle Persönlichkeiten von Empfehlungsgebern genutzt werden können, um die Nutzererfahrung der Empfehlungen zu verbessern. Wir präsentieren eine Analyse der Vorhersagen, die von mehreren bekannten Empfehlungsalgorithmen auf dem MovieLens 10M-Datensatz getroffen wurden, und zeigen, dass es in vielen Fällen, in denen ein Algorithmus versagt, einen anderen gibt, der die Bewertung korrekt vorhersagen kann.