Обзор рекомендательных систем
- Профилирование рецензентов с учетом отправки для системы рекомендаций рецензентов(arXiv)
Автор:Омер Анджум, Алок Каматар, Тоби Лян, Цзинцзюнь Сюн, Вэнь-мэй Хву
Аннотация:Назначение квалифицированных, непредвзятых и заинтересованных рецензентов для представленных статей жизненно важно для поддержания целостности и качества академической издательской системы и предоставления авторам ценных рецензий. Однако сопоставить тысячи материалов с тысячами потенциальных рецензентов за ограниченное время — непростая задача для программного комитета конференции. Предыдущие попытки, основанные на тематическом моделировании, пострадали от потери определенного контекста, который помогает определить темы в публикации или реферате. Более того, в некоторых случаях выявленные темы трудно интерпретировать. Мы предлагаем подход, который позволяет узнать из каждого реферата, опубликованного потенциальным рецензентом, изучаемые темы и явный контекст, в котором рецензент изучал эти темы. Кроме того, мы представляем новый набор данных для оценки систем сопоставления рецензентов. Наши эксперименты показывают значительное, последовательное улучшение точности по сравнению с существующими методами. Мы также используем примеры, чтобы продемонстрировать, почему наши рекомендации более понятны. Новый подход успешно применялся на конференциях высшего уровня за последние два года.
2. Обоснование результатов рекомендательных систем: сервисный подход(arXiv)
Автор: Ноэми Мауро, Чжунли Филиппо Ху, Лилиана Ардиссоно
Аннотация . В связи с растущим спросом на предсказуемый и подотчетный искусственный интеллект возможность объяснить или обосновать результаты рекомендательных систем, указав, как предлагаются элементы или почему они актуальны, стала основной целью. Однако текущие модели не представляют в явном виде сервисы и действующие лица, с которыми пользователь может столкнуться во время общего взаимодействия с элементом, от его выбора до использования. Таким образом, они не могут оценить свое влияние на пользовательский опыт. Чтобы решить эту проблему, мы предлагаем новый подход к обоснованию, который использует сервисные модели для (i) извлечения данных об опыте из обзоров, касающихся всех этапов взаимодействия с элементами, на разных уровнях детализации, и (ii) организации обоснования рекомендаций по этим этапам. . В исследовании пользователей мы сравнили наш подход с базовыми показателями, отражающими состояние дел в обосновании результатов рекомендательных систем. Участники оценили Воспринимаемую поддержку информированности пользователей, обеспечиваемую нашими моделями обоснования на основе услуг, выше, чем предлагаемую базовыми уровнями. Кроме того, наши модели получили более высокие оценки Адекватности и Удовлетворенности Интерфейса пользователями с разным уровнем Любознательности или низкой Потребностью в Познании (NfC). С другой стороны, участники с высоким NfC предпочли прямую проверку обзоров товаров. Эти результаты побуждают к принятию моделей обслуживания для обоснования результатов рекомендательных систем, но предполагают исследование стратегий персонализации для удовлетворения различных потребностей во взаимодействии.
3. Точная настройка модели на устройстве с исправлением меток в рекомендательных системах(arXiv)
Автор:Юйчэн Дин, Чаоюэ Ню, Фань Ву, Шаоцзе Тан, Чэнфэй Лю, Гуйхай Чен
Аннотация . Чтобы удовлетворить практические требования низкой задержки, низкой стоимости и хорошей конфиденциальности в интеллектуальных онлайн-сервисах, все больше и больше моделей глубокого обучения переносят из облака на мобильные устройства. Чтобы еще больше справиться с неоднородностью данных между устройствами, разгруженные модели обычно необходимо точно настроить с локальными образцами каждого отдельного пользователя, прежде чем они будут помещены в вывод в реальном времени. В этой работе мы сосредоточимся на фундаментальной задаче прогнозирования рейтинга кликов (CTR) в рекомендательных системах и изучим, как эффективно и результативно выполнять точную настройку на устройстве. Сначала мы определяем узкое место, заключающееся в том, что локальный CTR каждого отдельного пользователя (т. е. соотношение положительных выборок в локальном наборе данных для тонкой настройки) имеет тенденцию отклоняться от глобального CTR (т. наборы данных в облаке для обучения исходной модели). Мы также показываем, что такая проблема дрейфа CTR делает точную настройку на устройстве даже вредной для ранжирования элементов. Таким образом, мы предлагаем новый метод коррекции меток, который требует от каждого пользователя только изменения меток локальных выборок перед тонкой настройкой на устройстве и может совместить предшествующий локально CTR с глобальным CTR. Результаты автономной оценки трех наборов данных и пяти моделей прогнозирования CTR, а также результаты онлайн-тестирования A/B в Mobile Taobao демонстрируют необходимость исправления меток при тонкой настройке на устройстве, а также показывают улучшение по сравнению с облачным обучением без точной настройки. -тюнинг.
