Group-based ranking method for online rating systems with spamming attacks
排序问题在实际系统中引起了广泛的关注。在垃圾邮件攻击的威胁下,如何设计一种鲁棒的排名方法对于在线评分系统尤为重要。通过为用户建立信誉系统,许多性能良好的排名方法已被应用于解决这个问题。在这封信中,我们提出了一个基于组的排名方法,评估用户的声誉的基础上,他们的分组行为。更具体地说,如果用户总是属于大的评级组,则会为他们分配高的声誉分数。在三个真实数据集上的实验结果表明,在垃圾邮件攻击下,该方法比基于相关性的方法具有更高的准确性和鲁棒性。
2015-01-04 cs.IR physics.soc-ph
Building reputation systems for better ranking
如何对网页、科学家和在线资源进行排名,最近吸引了物理学家和计算机科学家越来越多的关注。本文研究了用户通过离散评分对对象进行投票的评分系统的排序问题。我们提出了一种算法,可以同时评估用户信誉和对象质量的迭代细化的方式。根据人工生成的数据和MovieLens和Amazon的真实数据,我们的算法可以大大提高排名的准确性。这项工作突出了声誉系统在互联网时代的重要性,并指出了一种方法来评估和比较不同的声誉系统的性能。
2010-01-13 cs.DB cs.IR
Iterative Filtering for a Dynamical Reputation System
本文介绍了一种新的迭代法,分配信誉的n + m个项目:n评分员和m个对象。每个评估者评估一个子集的对象,导致一个n × m的评级矩阵与一定的稀疏模式。从这个评级矩阵,我们给出了一个非线性公式来定义评级者和对象的声誉。我们还提供了一个迭代算法,超线性收敛到唯一的声誉向量,这对任何评级矩阵。与经典的离群点检测相比,该方法没有丢弃任何评价,但每个评价都被考虑到对象的声誉具有不同的权重。一个迭代步骤的复杂度是线性的评估的数量,使我们的算法有效的大数据集。实验结果表明,该方法具有较好的信誉鲁棒性和较好的检测性能。
2007-11-26 cs.IR
Reputation (In)dependence in Ranking Systems: Demographics Influence Over Output Disparities
最近的文献排名系统(RS)考虑了用户的曝光时,他们的排名的对象。虽然项目是基于声誉的RS的对象,但用户在这类算法中也扮演着核心角色。实际上,当对项目进行排名时,用户偏好通过该用户在平台中的相关程度来加权(即,的声誉)。在本文中,我们制定了不同的声誉(DR)的概念和研究,如果用户的敏感属性系统得到较低的声誉,导致最终排名,反映他们的喜好。我们考虑两个人口统计属性,即,性别和年龄,并显示DR系统发生。然后,我们提出缓解,这确保信誉是独立的用户的敏感属性。在真实数据上的实验表明,该方法可以克服DR,并提高排名的有效性。
2020-05-25 cs.IR
Robust Reputation Independence in Ranking Systems for Multiple Sensitive Attributes
排名系统对人们获取信息的方式和内容产生了前所未有的影响,人们正在从不同的角度分析它们对我们社会的影响,例如用户歧视。一个值得注意的例子是基于声誉的排名系统,这类系统依赖于用户的声誉来生成非个性化的项目排名,被证明对某些人口统计类别有偏见。为了保障一个给定的敏感用户的属性不会系统地影响该用户的声誉,以前的工作已经操作这类系统的声誉独立性约束。在本文中,我们发现,保证声誉独立的一个敏感属性是不够的。当基于一个敏感属性(例如,性别),最终排名可能仍然对基于另一属性形成的某些人口统计组有偏见(例如,年龄)。因此,我们提出了一种新的方法,同时引入多个敏感属性的声誉独立性。然后,我们分析了我们的方法在多大程度上影响的歧视和其他重要属性的排名系统,如其质量和鲁棒性的攻击。在两个真实数据集上的实验表明,该方法在不影响系统质量和鲁棒性的情况下,对多个用户的敏感属性进行了更少的偏差排名。
2022-03-30 cs.IR
LookAhead: Augmenting Crowdsourced Website Reputation Systems With Predictive Modeling
不安全的网站包括恶意网站和不适当的网站,例如托管可疑或攻击性内容的网站。网站信誉系统旨在帮助普通用户远离这些不安全的网站。然而,为网站分配安全评级的过程通常涉及人类。因此,它是耗时的、昂贵的并且不可扩展的。这导致了两个主要问题:(i)很大一部分网络空间仍然没有评级,(ii)在对新网站评级之前有一个不可接受的时间差。在本文中,我们表明,通过利用网站的结构和基于内容的属性,可以可靠和有效地预测其安全评级,从而减轻这两个问题。我们使用多达90,000个网站的四个数据集来证明我们方法的有效性。我们使用信任网络(WOT)的评级,这是一个流行的众包网络声誉系统,作为基础事实。我们提出了一种新的集成分类技术,利用现有的网页结构和内容属性的机会来预测他们的最终评级在两个方面所使用的WOT:可信度和儿童安全。我们是第一个预测这种主观评级的分类系统,同样的方法在识别恶意网站方面也同样有效。在所有数据集上,我们的分类表现良好,平均F $_1$ -得分在74- 90\ %范围内。
2015-04-18 cs.CR cs.IR
A robust ranking algorithm to spamming
网络评分系统中的评分问题引起了人们的广泛关注。一个好的排名算法应该对垃圾邮件攻击具有鲁棒性。在此,我们提出了一个基于相关性的信誉算法,以解决这种评级系统,用户投票的一些对象与评级的排名问题。在该算法中,用户的信誉是通过他/她的评级向量和相应的对象的加权平均评级向量之间的相关系数迭代确定的。仿真和真实数据的实验结果表明,与迭代精化算法和平均得分算法相比,该算法对垃圾邮件攻击具有更高的鲁棒性。
2010-12-17 cs.IR physics.data-an
A Robust Reputation-based Group Ranking System and its Resistance to Bribery
Faculty of Engineering, University of Porto(波尔图大学工程学院);EURECAT;Instituto de Telecomunicações(电信研究所);Instituto Superior Técnico, University of Lisbon(里斯本大学高等技术学院)
在线评论和意见的传播及其对人们行为和决策的日益增长的影响,提高了从这些数据洪流中提取有意义信息的兴趣。因此,众包的产品和服务评级在企业和政府中发挥了关键作用。当前最先进的解决方案利用针对项目表达的评级的平均值来对项目进行排名,结果是用户缺乏个性化,并且暴露于攻击和垃圾邮件/虚假用户。使用这些评级对具有相似偏好的用户进行分组可能有助于向用户呈现反映其偏好的项目并克服这些漏洞。在本文中,我们提出了一个新的基于声誉的排名系统,利用多部评级子网络,聚类用户的相似性,使用三种措施,其中两个基于柯尔莫哥洛夫复杂性。我们还研究了它对贿赂的抵抗力以及如何设计最佳的贿赂策略。我们的系统的新颖之处在于,它通过(可能)为不同用户群体的同一项分配不同的排名来反映偏好的多样性。我们证明了系统的收敛性和有效性。通过在合成数据和真实数据上进行测试,我们发现它能更好地应对垃圾邮件/虚假用户,比最先进的方法更能抵御攻击。此外,通过对用户进行聚类,与两方情况相比,在所提出的多方排名系统中贿赂的影响是暗淡的。
2020-04-17 cs.AI cs.CR cs.IR
A Hybrid Approach to Web Service Recommendation Based on QoS-Aware Rating and Ranking
随着互联网上具有相同或相似功能的Web服务数量的不断增加,越来越多的服务使用者在寻找和选择合适的Web服务时,将注意力集中在Web服务的非功能属性上,即服务的服务质量(quality of service,QoS)。对于大多数QoS感知的Web服务推荐系统,推荐的Web服务列表通常是基于一个面向评级的预测方法,旨在预测潜在的评级,活跃的用户可能会分配给未评级的服务尽可能准确地获得。然而,在一些应用场景中,评级预测的高准确性可能不一定导致令人满意的推荐结果。在本文中,我们提出了一个面向排名的混合方法相结合的基于项目的协同过滤和潜在因素模型来解决Web服务的排名问题。特别是,两个Web服务之间的相似性来衡量他们的排名,而不是传统的QoS评级之间的相关系数。此外,我们还改进了衡量标准NDCG(归一化折扣累积增益),用于评估排名顺序返回的前K个建议的准确性。在真实Web服务的QoS数据集上进行了全面的实验,实验结果表明,该方法的性能优于其他同类方法。
2015-01-18 cs.IR cs.SE
Ranking Items from Discrete Ratings: The Cost of Unknown User Thresholds
EPFL(瑞士联邦理工学院)
该研究针对从粗粒度离散评分恢复细粒度物品排序的问题,构建含隐式物品分数和用户阈值的模型,证明近完美排序需Θ(n²)次查询,提出匹配该界的算法,揭示阈值多样性的利弊。
2025-10-02 cs.IR cs.LG
Semi-supervised Collaborative Ranking with Push at Top
Michigan State University(密歇根州立大学)
现有的基于协作排名的推荐系统往往表现最好时,有足够的观察到的评级为每个用户和观察是完全随机的。在此设置下,推荐系统可以根据用户的兴趣适当地建议推荐列表。然而,当观察到的评级是非常稀疏的(例如,在没有评级数据可用的冷启动用户的情况下),并且不是随机均匀采样的,现有的排名方法无法有效地利用边信息来将知识从现有的评级转换为未观察到的评级。我们提出了一个半监督的协作排名模型,称为\texttt{S$^2$COR},以提高冷启动推荐的质量。\texttt{S$^2$COR}通过协作学习排名模型,利用关于观察到的和缺失的评级的边信息,减轻稀疏性问题。这使得它能够处理丢失数据的情况下,不是随机的,但也有效地将可用的边信息纳入转导。我们在一些具有挑战性的现实世界数据集上对我们提出的算法进行了实验评估,并与最先进的冷启动推荐模型进行了比较。与最先进的算法相比,我们报告了更高质量的推荐。
2015-11-17 cs.IR cs.LG
Recommending POIs for Tourists by User Behavior Modeling and Pseudo-Rating
兴趣点推荐是旅游信息系统的一项关键任务。然而,与传统的兴趣点(POI)推荐系统相比,可用的数据是非常稀疏的,大多数游客访问几个观光景点一次,这些景点中的大多数没有新游客的入住数据。大多数传统的系统排名观光景点的基础上,他们的受欢迎程度,声誉,和基于类别的相似性与用户的喜好。它们没有明确用户在这些景点可以体验什么,这使得难以满足多样化的旅游需求。为此,在这项工作中,我们提出了一个机制,推荐POI的游客。我们的机制包括两个组成部分:一个是一个概率模型,揭示用户在旅游中的行为;另一个是一个伪评级机制,以处理冷启动问题的兴趣点推荐。我们使用从Flickr收集的两个数据集进行了广泛的实验。实验结果表明,我们的方法是优于国家的最先进的方法在推荐性能(准确率,召回率和F-措施)和公平性。实验结果也验证了所提出的方法的鲁棒性,即,我们的方法可以很好地处理数据稀疏性的问题。
2021-11-17 cs.AI cs.DB cs.IR
UNDR: User-Needs-Driven Ranking of Products in E-Commerce
在线零售商通常会提供大量的产品供客户筛选和浏览。产品列出的顺序取决于在线商店中采用的排名算法。最先进的排名方法是复杂的,并利用许多不同的信息,例如,用户查询和意图、产品属性、流行度、新近度、评论或购买。然而,包含用户生成的数据(如点击数据、用户评级或评论)的方法不利于尚未被客户评级的新产品。因此,我们提出了用户需求驱动的排名(UNDR)的方法,占明确的客户需求,通过使用方面的流行度和方面的价值流行度。作为一种以用户为中心的方法,不依赖于购买后的评级或评论,我们的方法绕过了冷启动问题,同时仍然反映了普通客户的需求。在两个初步的用户研究中,我们将我们的排名方法与基于评级的排名基线进行了比较。我们的研究结果表明,我们提出的方法产生的排名,适合当前客户的需求显着优于基线。然而,更细粒度的使用特定排名并没有进一步提高排名。
2023-02-13 cs.IR
BPMR: Bayesian Probabilistic Multivariate Ranking
University of Virginia(弗吉尼亚大学)
多方面的用户偏好在推荐系统中引起了更广泛的关注,因为它们能够更详细地了解用户对项目的评价。以往的研究表明,将多方面的偏好,可以大大提高推荐的性能和可解释性。然而,由于推荐本质上是一个排名问题,因此没有原则性的解决方案来对多个方面进行集体排名以增强推荐。在这项工作中,我们推导出一个多方面的排名标准。为了保持不同方面之间的依赖性,我们建议使用多方面评级的向量化表示,并开发一个概率多变量张量分解框架(PMTF)。该框架自然会导致一个概率多方面的排名标准,它概括了单方面的排名,以多变量的时尚。在一个大的多方面评论评分数据集上的实验结果证实了我们的解决方案的有效性。
2022-04-16 cs.IR cs.LG
A Gumbel-based Rating Prediction Framework for Imbalanced Recommendation
评分预测是推荐系统中量化用户对项目偏好的核心问题,然而,评分不平衡的本质根源于真实世界的用户评分,导致有偏见的预测,并导致不良的性能尾部评级。虽然评级预测任务中的现有方法部署了加权交叉熵来重新加权训练样本,但这些方法通常假设正态分布,对称和平衡的空间。在正常的假设相反,我们提出了一种新的\underline{\emph{G}}伞形的\underline{\emph{V}}变量\underline{\emph{N}}网络框架(GVN)模型评级不平衡和增强功能表示的Gumbel分布。我们提出了一种基于Gumbel的变分编码器,将特征转换到非正常向量空间。其次,我们部署了一个多尺度卷积融合网络,以整合来自评分矩阵和用户评论的用户和项目的综合视图。第三,我们采用了一个跳过连接模块,个性化的最终评级预测。我们在五个数据集上进行了广泛的实验,其中包括基于错误和基于排名的指标。在排序和回归评估任务上的实验证明,GVN可以有效地在数据集上实现最先进的性能,并减少尾部评级的有偏预测。我们比较了各种分布(例如,正态分布和泊松分布),并证明了基于Gumbel的方法对类不平衡建模的有效性。
2022-08-17 cs.IR
Predicting User Engagement in Twitter with Collaborative Ranking
IBM Research – Ireland(IBM研究院(爱尔兰))
协同过滤(CF)是亚马逊、YouTube、Netflix和Twitter等流行的基于Web的服务的核心组件。大多数应用程序使用CF向用户推荐一小部分项目。例如,YouTube基于用户的评级和观看历史向用户呈现她接下来可能观看的前n个视频的列表。目前的CF评价方法主要集中在评估预测评级的质量或前n个推荐项目的排名性能。然而,将推荐系统的评价限制在这两个方面是相当有限的,并且忽略了可以更好地表征良好感知的推荐的其他维度。在本文中,而不是优化评级或top-n推荐,我们专注于预测哪些项目产生最高的用户参与度的任务。特别是,我们使用Twitter作为我们的测试平台,并将问题作为一个协作排名任务,从推文的元数据中提取的丰富功能有助于补充仅限于用户ID,项目ID,评级和时间戳的交易信息。我们学习了一个评分函数,它直接优化了预测排名中nDCG@10的用户参与度。在作为RecSys Challenge 2014的一部分发布的MovieTweetings数据集的扩展版本上进行的实验显示了我们方法的有效性。
2014-12-26 cs.CY cs.IR cs.LG
Multi-faceted Trust-based Collaborative Filtering
University of Torino(都灵大学)
许多协同推荐系统利用社会相关理论来提高推荐性能。然而,它们专注于用户之间的显式关系,而忽略了其他类型的信息,这些信息有助于确定用户的全球声誉;例如,公众对审稿人质量的认可。我们有兴趣了解这些额外类型的反馈是否以及何时改善Top-N推荐。为此,我们提出了一个多方面的信任模型,整合本地的信任,代表社会联系,与各种类型的全球信任证据提供的社交网络。我们的目标是确定一般类别的数据,以使我们的模型适用于不同的案例研究。然后,我们测试的模型,将其应用到一个变种的用户到用户的协同过滤(U2 UCF),支持融合的评级相似性,本地信任来自社会关系,多方面的声誉评级预测。我们在两个数据集上测试了我们的模型:Yelp发布了用户之间的一般朋友关系,但提供了不同类型的信任反馈,包括用户简档认可。LibraryThing数据集提供的反馈类型较少,但它提供了更多针对内容共享的选择性好友关系。我们的实验结果表明,在Yelp数据集上,我们的模型优于U2 UCF和仅使用评级相似性和社会关系的最先进的基于信任的分类器。显然,在LibraryThing数据集中,社会关系和评级相似性的组合达到了最佳效果。我们学到的教训是,多方面的信任可以是一种有价值的推荐信息。然而,在应用程序域中使用它之前,必须对可用信任证据的类型和数量进行分析,以评估其对推荐性能的实际影响。
2020-03-25 cs.IR cs.LG
Rank and Rate: Multi-task Learning for Recommender Systems
IBM Research(IBM研究院);Intuit(Intuit公司);University of Haifa(海法大学)
推荐系统领域中的两个主要任务是排名和评级预测任务。评级预测任务旨在预测用户对任何给定项目的喜爱程度,这将使得能够推荐具有最高预测分数的项目。另一方面,排名任务直接旨在为用户推荐最有价值的项目。以前的几种方法提出了学习用户和项目表示,以优化这两个任务,同时在多任务框架。在这项工作中,我们提出了一种新的多任务框架,利用了这样一个事实,即用户做了两个阶段的决策过程-第一次决定与一个项目(排名任务)进行交互,然后才对它进行评级(评级预测任务)。我们在两个基准数据集上,在两种不同的配置上评估了我们的框架,并显示了其优于最先进方法的优势。
2018-07-31 cs.IR cs.LG stat.ML
Personalized Benchmarking: Evaluating LLMs by Individual Preferences
University of Chicago(芝加哥大学)
本文提出个性化LLM基准测试,通过ELO评分和Bradley-Terry系数分析115名用户对LLM的排名差异,发现个体偏好与聚合排名差异显著,强调开发个性化基准的重要性。
2026-04-21 cs.AI cs.CL cs.HC
Faceted Ranking of Egos in Collaborative Tagging Systems
多媒体上传的内容被标记并由协作系统的用户推荐,从而产生非正式的分类,也称为大众分类。分面网络排名已被证明是一个合理的替代单一的排名,不考虑个性化的背景。在本文中,我们分析了与多个标签组成的方面相关的用户排名的在线计算。可能的应用是用户信誉评估(自我排名)和改进的内容质量的情况下检索。我们提出了一种基于PageRank作为中心性度量的解决方案:(i)基于相应的标签依赖子图离线计算每个标签的排名;(ii)通过合并面中所有标签对应的排名来生成面顺序。通过经验观察验证的基本假设是步骤(i)是可扩展的。我们还提出了算法的部分(ii)具有时间复杂度O(k),其中k是在方面的标签的数量,非常适合于在线计算。
2008-09-26 cs.IR
Exploring Users' Perception of Collaborative Explanation Styles
协同过滤系统在很大程度上依赖于用户的反馈表示的产品评级选择和排名项目推荐。在这项研究中,我们探讨了用户如何价值不同的合作解释风格的用户为基础的或项目为基础的范式。此外,我们探讨这些评级总结的特点,如总评分和平均评分值,影响在线用户的决定。结果,基于选择为基础的联合实验设计,表明平均指标有较高的影响相比,总的收视率。最后,我们讨论了这些实证结果可以作为一个输入开发算法,培养项目,因此,更高的概率选择的基础上,他们的评级总结或他们的解释,由于这些评级时排名建议。
2018-05-02 cs.HC cs.IR
Flatter is better: Percentile Transformations for Recommender Systems
DePaul University(德保罗大学);University of Colorado, Boulder(科罗拉多大学博尔德分校)
众所周知,在推荐系统中,显式用户评级偏向于高评级,并且用户在使用评级量表时存在显着差异。实现者通常通过评级标准化或在因子分解模型中包含用户偏差项来补偿这些问题。然而,这些方法仅针对用户分布的集中趋势进行调整。在这项工作中,我们证明了评级分布中缺少\textit{flatness}与推荐性能呈负相关。我们提出了一个评级转换模型,它通过将评级转换为百分位值作为推荐生成之前的预处理步骤来补偿评级分布的偏斜及其集中趋势。这种转换优化了评级分布,更好地补偿了评级分布的差异,并提高了推荐性能。我们还展示了这种转换的平滑版本,旨在为评级分布非常窄的用户提供更直观的结果。一组全面的实验表明,这些百分位转换与国家的最先进的推荐算法在四个现实世界的数据集的排名性能提高。
2019-07-10 cs.IR cs.LG
Rating through Voting: An Iterative Method for Robust Rating
在本文中,我们介绍了一个迭代投票算法,然后使用它来获得一个评级方法,这是非常强大的合谋攻击以及随机和有偏见的评级。与以前的迭代法不同,我们的方法不是基于比较提交的评价的近似值的最终评级分数,它完全从排名本身的演员评价的可信度评估。算法的收敛性依赖于连续映射的不动点的存在,该不动点也是约束优化目标的不动点。我们已经使用模拟数据和真实世界的数据实现并测试了我们的评级方法。特别是,我们将我们的方法应用于从MovieLens获得的电影评估,并将我们的结果与IMDb和烂番茄电影评级网站进行了比较。我们的系统提供的评分不仅非常接近IMDb的评分,而且当我们与IMDb评分不同时,这种差异的方向基本上总是朝向烂番茄评论家提供的评分。我们的测试表明,我们的方法,特别是非常大的在线评级系统,信任管理是最重要的和最具挑战性的问题之一,效率高。
2012-11-02 cs.HC cs.IR cs.SI
An approach towards debiasing user ratings
随着电子商务的重要性日益增加,出现了许多网站,用户可以表达他们对产品的意见,如电影,书籍,歌曲等,这样的互动可以建模为二分图,从用户到产品的有向边的权重表示用户赋予产品的评级。这些图用于推荐系统和发现最可靠(可信)的产品。对于这些应用程序,重要的是要捕捉用户在对产品进行评级时的偏见。用户有固有的偏见-许多用户总是给予高评价,而许多其他人总是评价很低。在阅读产品评论时,有必要了解评论者的偏见。在为对象分配排名时,补偿这种偏差同样重要。在本文中,我们提出了一种算法来捕捉用户的偏见,然后制服它来计算产品应得的真实评级。实验表明,我们的系统在捕捉用户的偏见,然后计算产品的真实评级的效率和有效性。
2016-03-14 cs.IR cs.SI
Picky Eaters Make For Better Raters
针对餐厅在线评分预测未来表现的难题,将用户划分为虚高与虚低评分者并比较其排名,发现虚低评分者更能准确预测未来获顶级评分的餐厅。
2024-01-06 cs.IR math.PR
Improving User Experience with Personalized Review Ranking and Summarization
Information and Computer Science Dept., King Fahd University of Petroleum and Minerals(信息与计算机科学系,国王法赫德石油与矿物大学);Interdisciplinary Research Center for Intelligent Secure Systems (IRC-ISS), King Fahd University of Petroleum and Minerals(智能安全系统交叉研究中心(IRC-ISS),国王法赫德石油与矿物大学)
提出融合用户偏好建模、混合情感估计、方面级评论匹配和LLM摘要的个性化评论排名与摘要框架,在亚马逊数据集和用户研究中优于现有方法。
2026-06-06 cs.IR cs.LG
Ranking users, papers and authors in online scientific communities
提出一种在在线科学社区中同时评估用户声誉、论文质量并纳入作者信用的排名方法,实验表明其选出的论文引用更高、作者 h 指数更优。
2014-05-09 cs.DL cs.IR cs.SI
Comprehensive Personalized Ranking Using One-Bit Comparison Data
个性化系统的任务是根据用户的口味推荐物品或一组物品,从而预测他们未来的需求。在本文中,我们解决这样的个性化推荐问题,其中一位比较数据的用户偏好不同的项目,以及不同的用户倾向于一个项目。我们设计了一个全面的个性化排名(CPR)系统,采用贝叶斯处理。我们还提供了一个连接到学习方法的CPR优化标准,学习底层的低秩结构的评级矩阵的基础上建立良好的矩阵分解方法。数值结果验证了我们算法的性能。
2019-06-06 cs.IR
Graph-based Collaborative Ranking
数据稀疏性是基于邻域的协同过滤领域中的一个普遍问题,通常会使项目推荐过程变得复杂。这个问题在协同排名领域中更为严重,因为在协同排名领域中,计算用户相似度和推荐项目都是基于排名数据的。已经提出了一些基于图的方法来解决数据稀疏问题,但它们有两个缺陷。首先,它们无法正确地对用户的优先级进行建模,其次,当唯一可用的数据是一组排名而不是评级值时,它们无法使用。在本文中,我们提出了一种新的基于图的方法,称为GRank,这是专为协作排名域。GRank可以在一种新的三分图结构中正确地建模用户的优先级,并对其进行分析,从而直接推断出推荐列表。实验结果表明,在推荐质量的显着改善相比,最先进的基于图的推荐算法和其他协作排名技术。
2017-01-31 cs.IR cs.SI
Exploring Deep Space: Learning Personalized Ranking in a Semantic Space
推荐系统利用内容和用户交互来生成适合用户偏好的推荐。最近对深度学习的兴趣激增,为利用这两种信息来源提供了新的机会。为了推荐项目,我们建议首先学习一个独立于用户的高维语义空间,其中项目根据其可替代性进行定位,然后学习一个用户特定的转换函数,根据用户过去的偏好将该空间转换为排名。所提出的架构的一个优点是,它可以被用来有效地推荐项目使用的内容描述的项目或用户项目评级。我们表明,这种方法在MovieLens 1M数据集上的性能明显优于最先进的推荐系统。
2016-08-22 cs.IR
Recommender Systems by means of Information Retrieval
在本文中,我们提出了一种方法,重新制定的推荐系统问题的信息检索之一。在我们的测试中,我们有一个用户的数据集,这些用户对一些电影进行了评级;我们从数据集中隐藏了一些值,并试图使用其剩余部分再次预测它们(所谓的“leave-n-out方法”)。为了使用一个信息检索算法,我们重新制定这个推荐系统的问题,以这种方式:一个用户对应于一个文件,一部电影对应于一个术语,活跃的用户(其评级,我们要预测)扮演的角色的查询,和评级被用作权重,在原来的IR算法的加权模式的地方。输出是与查询(“活动用户”)相关的文档(“用户”)的排名列表。我们使用这些用户的评级(根据排名加权)来预测活跃用户的评级。我们通过一个典型的指标进行比较,即算法返回的预测准确性,并将其与用户的真实评级进行比较。在我们的第一个测试中,我们使用了两种不同的信息检索算法:LSPR,最近提出的基于离散傅立叶变换的模型,和一个简单的向量空间模型。
2010-08-27 cs.IR
Directional Multivariate Ranking
University of Virginia(弗吉尼亚大学)
用户提供的多方面评价体现了用户对推荐项目的详细反馈,并能够细粒度地了解他们的偏好。大量的研究表明,对这些数据进行建模可以大大提高建议的有效性和可解释性。然而,由于排名在推荐中是必不可少的,因此还没有原则性的解决方案用于在不同方面共同生成多个项目排名。在这项工作中,我们提出了一个方向性的多方面的排名标准,使一个整体的排名项目的多个方面。具体来说,我们认为多方面的评价作为一个整体的努力,从用户形成一个向量,他/她的喜好方面。我们的关键见解是,两个多方面的偏好向量之间的差异向量的方向揭示了成对的比较顺序。因此,有必要为多方面的排名标准,以保持从这样的成对比较观察到的方向。我们进一步推导出一个完整的解决方案的多方面的排名问题的基础上的概率多元张量分解模型。在一个大型TripAdvisor多方面评分数据集和一个Yelp评论文本数据集上的综合实验分析证实了我们的解决方案的有效性。
2020-06-09 cs.IR cs.LG stat.ML