推荐系统中的准确性、新颖性和多样性的有效耦合与应用

目前,基于人工智能推荐系统的研究工作大多集中在算法优化上,而关于推荐系统更重要的性能评价指标往往被忽视.具体地,独立的评价指标无法有效地反映算法之间的差异,需要进一步有效地耦合这些评价指标.为了反映推荐系统性能的差异,提出较合理的性能评估框架AND(Accuracy Novelty Diversity),可以同时反映推荐系统整体的准确性、新颖性和多样性.把AND框架融入主流的序列化推荐模型,命名为SASAND(Self-Attentive Sequential-AND).实验结果表明,提出的AND框架在假设数据集和基准数据集的基础上,能有效反映准确性相似的不同算法之间推荐性能的差异,同时,提出的SASAND模型基于AND框架的约束,能对推荐的结果在综合考虑准确性、新颖性和多样性的前提下重新排序.与主流的推荐模型对比,SASAND能够尽最大可能达到整体最优的推荐性能输出.