为什么协同过滤有效？ 通过分析二元随机图来推荐模型的验证和选择-研究论文

文献中已经提出了许多协作过滤（CF）算法作为自动推荐系统的核心。 但是，这些算法缺乏基本的依据，它们的相对性能通常取决于域和数据。 在本文中，我们旨在基于图拓扑建模方法对验证和模型/算法选择问题进行初步了解。 通过将诸如购买和评级之类的消费产品交互形式的输入数据表示为二部图，我们开发了二部图拓扑度量以捕获与推荐相关的输入数据中存在的模式。 使用模拟方法，我们观察到给定推荐数据集的这些拓扑度量与模拟随机数据集的期望值之间的偏差。 这些偏差有助于解释为什么某些CF算法适用于给定的数据集。 它们还可以用作综合模型选择框架的基础，该模型选择框架根据正在研究的数据集的特征来选择适当的CF算法。 我们使用两个真实世界的电子商务数据集来验证我们的方法。