Основы рекомендательных систем
1.Инклюзивный этический дизайн для рекомендательных систем(arXiv)
Автор:Сьюзен Ливи
Аннотация: рекомендательные системы становятся все более популярными в качестве посредников информации, способных оказывать глубокое влияние на общественное мнение. Хотя разрабатываются подходы для обеспечения ответственного проектирования этих систем, подростки, в частности, представляют собой потенциально уязвимую группу пользователей, требующую особого внимания. Это особенно важно, учитывая характер их доступа и использования рекомендательных систем, а также их роль в качестве поставщиков контента. В этом документе предлагаются основные принципы этического проектирования рекомендательных систем и проводится оценка того, достаточно ли учитывают существующие подходы к обеспечению соблюдения этих принципов конкретные потребности и потенциальные уязвимости пользователей-подростков.
2.EasyRec: простой в использовании, расширяемый и эффективный фреймворк для построения промышленных рекомендательных систем(arXiv)
Автор: Мэнли Ченг, Юэ Гао, Гоцян Лю, ХунШэн Цзинь, Сяовэнь Чжан
Аннотация: мы представляем EasyRec, простую в использовании, расширяемую и эффективную структуру рекомендаций для создания промышленных рекомендательных систем. Наша структура EasyRec превосходит следующие аспекты: во-первых, EasyRec использует модульный и подключаемый шаблон проектирования, чтобы уменьшить усилия по созданию пользовательских моделей; во-вторых, EasyRec реализует алгоритмы оптимизации гиперпараметров и выбора функций для автоматического повышения производительности модели; в-третьих, EasyRec применяет онлайн-обучение, чтобы быстро адаптироваться к постоянно меняющемуся распределению данных. Код выпущен: https://github.com/alibaba/EasyRec
3. Улучшение системы диалоговых рекомендаций с помощью контекстного моделирования и моделирования с учетом времени с меньшим объемом знаний о предметной области(arXiv)
Автор: Линчжи Ван, Шафик Джоти, Вэй Гао, Синшань Цзэн, Кам-Фай Вонг
Аннотация. Системы диалоговых рекомендаций (CRS) стали новой темой исследований, целью которых является предоставление рекомендаций посредством интерактивных бесед, которые обычно состоят из модулей генерации и рекомендаций. Предыдущая работа над CRS, как правило, включала в себя больше внешних и специфичных для предметной области знаний, таких как обзоры элементов, для повышения производительности. Несмотря на то, что сбор и аннотирование внешней информации, относящейся к конкретной предметной области, требует больших человеческих усилий и ухудшает обобщаемость, слишком много дополнительных знаний создает больше трудностей для балансирования между ними. Поэтому мы предлагаем полностью раскрыть и извлечь внутренние знания из контекста. Мы собираем представления как на уровне объекта, так и на уровне контекста, чтобы совместно моделировать пользовательские предпочтения для рекомендации, где внимание с учетом времени предназначено для выделения недавно появившихся элементов в представлениях на уровне объекта. Мы также используем предварительно обученный BART для инициализации модуля генерации, чтобы уменьшить нехватку данных и улучшить моделирование контекста. Помимо проведения экспериментов с популярным набором данных (ReDial), мы также включили многодоменный набор данных (OpenDialKG), чтобы продемонстрировать эффективность нашей модели. Эксперименты с обоими наборами данных показывают, что наша модель обеспечивает лучшую производительность по большинству показателей оценки с меньшим объемом внешних знаний и хорошо обобщается на другие области. Дополнительный анализ рекомендаций и задач генерации демонстрирует эффективность нашей модели в различных сценариях.
