论文名: “classification, ranking, and top-k stability of recommendation algorithms”.
本文讲述比较推荐系统在三种情况下, 推荐稳定性情况.
与常规准确率比较的方式不同, 本文从另一个角度, 即推荐算法稳定性方面进行比较.
包括:
比较的过程分为两个阶段:
阶段一, 将原始数据分为两个部分, 一部分为已知打分, 另一部分为未知打分, 用于预测.
阶段二, 在用于预测打分那部分数据中, 取出一部分数据, 加入到已知打分部分, 剩余部分仍然为预测部分.
比较阶段一中的预测结果和阶段二中预测结果的比较.
数据划分情况如图所是.
预测性的评价方式有以下几种:
MAE, RMSE
分类型的评价方式有以下几种:
准确率, 召回率, F-分数.
排名型的评价方式有以下几种:
排名相关性, Spearman的 ρ 评价, Kruskal的 γ 评价, Kendall的 τ 评价.
前k项的评价方式有以下几种:
点击率稳定性(hit-rate), NDCG(normalized discounted cumulative gain).
改变数据的稀疏性, 从几个方面比较这些推荐算法的稳定性.
结果如图所是.
基于内存的推荐算法和slopeone算法表现出强烈的不稳定性和对数据敏感性.
svd和baseline算法相对稳定.
改变第二阶段中新加入数据的数量, 比较两次实验的差异.
结果如图所是:
横坐标为比例, 即已知打分数据的倍数, 从10%到500%.
从图中可以看出, 在新加入的数据较少时, 各个推荐算法表现出高度的稳定性.
当新加入的数据较多时, 基于内存的推荐算法的稳定性不断下降.
相反, 基于模型的方法相对稳定.
除了新加入的数据外, 新加入的数据的数据分布也一定程度上影响了推荐算法的稳定性.
下表显示了修改数据分布的策略:
实验的结果如下:
从图中可以看出, 当加入的数据为随机时, 各个推荐算法都表现出相对较高的稳定性.
但是, 当添加的数据出现歪斜时, 基于内存的推荐算法的稳定性降低较快, 基于模型的推荐算法的稳定性基本保持不变.
对于推荐算法而言, 除了数据的因素外, 还有算法本身参数对算法稳定性的影响.
对于基于内存的算法, 相似用户/物品的数量影响着推荐算法的效果,
对于svd算法, 隐含属性的数量影响着推荐算法的结果.
实验通过修改推荐算法参数的方式进行比较, 结果如图所时:
对于top-K的比较, k值的大小也影响推荐算法的稳定性.
通过修改k的大小, 实验的结果如图所时:
实验结果表示:
对于修改算法的参数, 对svd算法的影响较少, 对于基于内存的算法影响较大.
修改top-k中k的大小, 对基于模型的推荐算法影响较小, 对于基于内存的推荐算法的稳定性影响较大.
对于上面多种情况的比较.
基于模型的推荐算法在多种情况下, 稳定性较高, 特别时svd算法.
基于内存的推荐算法稳定性较差.