In diesem Artikel wird ein neuer Regularisierungsterm, die "Rücksichtslosigkeit", in den Lernprozess von matrixfaktorisierungsbasierten Empfehlungssystemen eingeführt. Dieser Term berücksichtigt die Varianz der Ausgabewahrscheinlichkeitsverteilung der vorhergesagten Bewertungen und ermöglicht so die Kontrolle des Risikograds bei der Erstellung von Vorhersagen.
Die Autoren zeigen, dass die Einbeziehung der Rücksichtslosigkeit nicht nur die Regulierung des Risikos ermöglicht, sondern auch die Menge und Qualität der vom Empfehlungssystem bereitgestellten Vorhersagen verbessert. Die experimentellen Ergebnisse zeigen, dass das Modell mit Rücksichtslosigkeitsregularisierung im Vergleich zum Modell ohne Regularisierung eine breitere Pareto-Front erreicht, was bedeutet, dass es sowohl genauere Vorhersagen als auch eine höhere Abdeckung liefern kann.
Darüber hinaus zeigt die Analyse, dass positive Werte der Rücksichtslosigkeit zu einem Modell mit vielen, aber weniger genauen Vorhersagen führen, während negative Werte ein konservativeres Modell mit weniger, aber zuverlässigeren Vorhersagen ergeben. Dieser Zusammenhang ermöglicht es, das Empfehlungssystem an die Bedürfnisse des Anwenders anzupassen.
toiselle kielelle
lähdeaineistosta
arxiv.org
Syvällisempiä Kysymyksiä