Not logged in.

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Recommending Long-Tail Items with Short Random Walks over the User-Item-Feedback Graph
Organization Unit
Authors
  • Fabian Christoffel
Supervisors
  • Bibek Paudel
  • Chris Newell
Language
  • English
Institution University of Zurich
Faculty Faculty of Economics, Business Administration and Information Technology
Number of Pages 56
Date December 2014
Abstract Text We study graph vertex ranking algorithms for use in collaborative filtering-based recommender systems. In this paper we evaluate the performance of previously presented ranking algorithms in an off-line study with four different positive-only feedback datasets. Besides measuring the power to predict future user behavior (accuracy), we also consider four non-accuracy performance dimensions: intra-list diversity, item space or catalog coverage, personalization, and novelty/surprisal. We found that most recommendation lists of vertex ranking algorithms are dominated by high popularity items and give lower accuracy, coverage, personalization, and novelty/surprisal scores than lists from nearest-neighbor or latent factor model-based recommenders. By applying a parametrized popularity-penalizing recommendation list re-ranking procedure to random walk vertex transition probability-based ranking algorithms (i.e., P3 and P5 [Cooper et al., 2014]) we observed a positive impact on coverage, personalization and novelty/surprisal. For small degrees of popularity penalization the recommender’s accuracy improved or remained constant and reached in most experiments levels comparable to the state-of-the-art non-graph-based recommenders. The re-ranking procedure reduces the dominance of high popularity items in the recommendation list and allows to optimize the trade-off between accuracy and non-accuracy performance dimensions.
Zusammenfassung Wir untersuchen Rangfolgealgorithmen von Graphknoten für die Anwendung in Empfehlungssystemen basierend auf kollaborativem Filtern. In dieser Arbeit evaluieren wir die Leistung früher vorgeschlagenen Rangfolgealgorithmen mit Experimenten an vier historischen Datensätzen bestehend aus impliziten Artikelbewertungen. Zusätzlich zu der Vorhersagekraft bezüglich des zukünftigen Benutzerverhaltens (Richtigkeit) beurteilen wir die Qualität der Empfehlungslisten anhand von vier weiteren Leistungskriterien: Unterschiedlichkeit der vorgeschlagenen Artikel, Katalogabdeckung, Personalisierung und Neuigkeit/Überraschungswert. Die Ergebnisse unserer Experimente zeigen, dass Empfehlungslisten die mit Rangfolgealgorithmen von Graphknoten erstellt werden, von den populärsten Artikeln dominiert werden. Die Empfehlungslisten weisen schlechtere Werte auf für Richtigkeit, Katalogabdeckung, Personalisierung und Neuigkeit/Überraschung als Listen von Empfehlungssystemen, die auf Nächste-Nachbarn-Klassifizierung oder einem latent factor model basieren. Mit einem parametrisierten Umrangierungsverfahren das populäre Artikel tiefer gewichtet als unpopuläre Artikel, angewendet auf Rangfolgealgorithmen basierend auf der Knotenübergangswahrscheinlichkeit in einem random walk (insbesondere P3 und P5 [Cooper et al., 2014]), erzielten wir höhere Neuigkeit/Überraschungswerte und eine bessere Katalogabdeckung und Personalisierung. Für eine mässig starke Untergewichtung von beliebten Artikeln im Umrangierungsverfahren erhöhte sich die Richtigkeit oder blieb zumindest konstant. In den meisten Experimenten wurde mit dieser Methode eine Richtigkeit erzielt die vergleichbar ist mit der von Empfehlungssystemen, welche dem heutigen Stand der Technik entsprechen. Das Umrangierungsverfahren reduzierte die Dominanz von populären Artikeln in den Empfehlungslisten und ermöglicht es einen optimalen Ausgleich im Zielkonflikt der verschiedenen Leistungskriterien zu finden.
PDF File Download
Export BibTeX