多样性、偶然性、新颖性和覆盖率

什么构成了好的推荐或好的推荐列表？推荐系统的研究传统上侧重于准确性，特别是推荐者的预测评分与用户真实评分的接近程度。然而，人们已经认识到其他推荐质量——例如推荐列表的多样性以及是否包含新颖项目——可能对推荐系统的整体质量产生重大影响。因此，近年来，推荐系统研究的重点已经转向包括更广泛的“超越准确性”目标。在本文中，我们对推荐系统研究中最讨论的超越准确性目标进行了调查：多样性、偶然性、新颖性和覆盖率。我们回顾了文献中这些目标及其对应指标的定义。我们还回顾了提出优化这些超越准确性目标的策略的研究。由于大多数工作专注于一个特定目标，我们发现不同目标之间的关系尚不清晰。因此，我们进行了一系列离线实验，旨在比较不同优化方法的性能，以查看它们如何影响除优化目标之外的其他目标。我们使用一组优化为记忆的最先进推荐算法，并结合多种重新排序策略来优化生成推荐的多样性、新颖性和偶然性。对于每种重新排序策略，我们测量了对其他超越准确性目标的影响，并展示了讨论的目标之间的相关性的重要见解。例如，我们发现基于评分的多样性与新颖性呈正相关，并展示了新颖性对推荐覆盖率的积极影响。