Balancing accuracy and diversity in recommendations using matrix completion framework

طراحی سیستم های توصیه شده با هدف دستیابی به دقت پیش بینی های بالا یک منطقه به طور گسترده ای مورد بررسی قرار گرفته است. با این وجود، مطالعات متعددی پیشنهاد کرده اند نیاز به توصیه های متنوع با سطح قابل قبول دقت، برای جلوگیری از یکنواختی و بهبود تجربه مشتریان است. با این حال، افزایش تنوع همراه با کاهش دقت در توصیه می شود؛ در نتیجه یک توافق مطلوب بین دو مورد ضروری است. در این کار تلاش می کنیم با استفاده از رتبه بندی های موجود و متادیتای اقلام، از طریق یک مدل بهینه سازی تک (مشترک) که بر اساس چارچوب تکمیل ماتریس ساخته شده است، تعادل تنوع دقت و صحت را به دست آوریم. اکثر آثار موجود، بر خلاف فرمولبندی ما، یک مدل دو مرحله ای را ارائه می دهند که یک طرح رتبه بندی اشیاء در بالای یک تکنیک همگانی مشترک است. ارزیابی تجربی بر روی یک سیستم پیشنهاد دهنده فیلم نشان می دهد که مدل ما در مقایسه با حالت فعلی تکنیک های هنری تنوع بیشتری را برای کاهش قطعی دقت به دست می آورد.