Exploiting Group Recommendation Functions for Flexible Preferenc...

Web推荐系统越来越多地面临着需要向用户群体提供建议的场景;例如，当家庭分享电子商务或电影租赁网络帐户时。迄今为止在这个领域的研究提出了两种方法：通过将任何成员的评级合并成一个简介来计算小组的建议，或者计算每个个体的排名推荐，然后通过一系列启发式方法合并。在这样做的时候，过去没有任何一个人在他们是一个群体成员的时候就会出现个人偏好的理由。在这项工作中，我们提出了一个基于信息匹配概念的概率框架，用于小组推荐。这个模型将组的相关性定义为组合的相关性作为一个个体和每个用户的组成员;然后可以无缝地纳入任何小组推荐策略，以便为一组个人排列项目。我们使用MovieLens和MoviePilot数据集来评估模型的效率，从而为单个个体和组创建推荐。在这两种情况下，我们将我们的结果与基线和最先进的协作过滤算法进行比较，并显示该模型在各种排名指标上均优于所有其他模型。