.png){kind=icon}
返回
Exploring and Exploiting Data Heterogeneity in Recommendation
.png){kind=icon}
OA
AI
DOI：10.1145/3737290.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
海量数据是数据驱动推荐模型的基础。作为大数据的固有特性，数据异构性广泛存在于实际推荐系统中。它反映了子群体间属性的差异。忽视推荐数据中的异构性可能会误导模型，损害子群体的鲁棒性，并最终限制推荐模型的性能。然而，数据异构性在推荐社区中尚未受到充分关注，这促使我们充分探索和利用数据异构性以解决这些挑战并增强数据分析。本研究具体关注推荐数据中两种典型的异构性：预测机制的异构性和协变量分布的异构性。为探索数据异构性，我们提出了一种基于双层聚类的算法。此外，我们展示了如何利用所发现的数据异构性进行预测和消偏，具体通过构建多子模型和使用增强的倾向得分估计。在真实数据上进行的广泛实验证实了推荐数据中异构性的存在，并验证了探索和利用数据异构性在提升推荐性能方面的有效性。
Keyword:
data heterogeneity
recommendation systems
bilevel clustering
sub-population robustness
propensity score estimation
期刊
IF:
4.8
论文数:
1.3K
被引数:
4.4K
机构
暂无机构信息
.png){kind=icon}
