کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947433 1439581 2017 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multi-Objective Ranked Bandits for Recommender Systems
ترجمه فارسی عنوان
رشته های چند هدفه برای سیستم های توصیه شده
کلمات کلیدی
سیستم توصیهگر، توصیه آنلاین، راهزنان چند مسلح،
ترجمه چکیده
این مقاله علاقه مند به سیستم های توصیه می شود که با بازخورد ضمنی در سناریوهای پویا، ارائه توصیه های آنلاین، مانند مقاله های خبری و توصیه های تبلیغاتی در وب سایت های وب، کار می کنند. در این سناریوهای پویا، بازخورد کاربر به سیستم از طریق کلیک داده می شود، و بازخورد باید به سرعت مورد سوء استفاده قرار گیرد تا بهبود توصیه های بعدی. در این سناریو، ما یک الگوریتم را به نام راهزنان رتبه بندی چند هدفه پیشنهاد می کنیم که در مقایسه با روش های فعلی در ادبیات، می تواند لیست هایی از موارد دقیق، متنوع و رمان را توصیف کند. الگوریتم به چهار اجزای اصلی متکی است: یک تابع مقیاس سنجی، مجموعه ای از معیارهای کیفی توصیه، یک طرح اولویت دینامیکی برای وزن کردن این معیارها و یک الگوریتم مبتنی بر چند گانه چندگانه است. نتایج نشان می دهد که الگوریتم ما در مقایسه با الگوریتم پیشرفته ای از یک الگوریتم پیشرفته، 7.8 و 10.4٪ در میزان کلیک در دو مجموعه داده های بزرگ در دنیای واقعی ارائه می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
رشته های چند هدفه برای سیستم های توصیه شده
چکیده انگلیسی
This paper is interested in recommender systems that work with implicit feedback in dynamic scenarios providing online recommendations, such as news articles and ads recommendation in Web portals. In these dynamic scenarios, user feedback to the system is given through clicks, and feedback needs to be quickly exploited to improve subsequent recommendations. In this scenario, we propose an algorithm named multi-objective ranked bandits, which in contrast with current methods in the literature, is able to recommend lists of items that are accurate, diverse and novel. The algorithm relies on four main components: a scalarization function, a set of recommendation quality metrics, a dynamic prioritization scheme for weighting these metrics and a base multi-armed bandit algorithm. Results show that our algorithm provides improvements of 7.8 and 10.4% in click-through rate in two real-world large-scale datasets when compared to the single-objective state-of-the-art algorithm.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 246, 12 July 2017, Pages 12-24
نویسندگان
,