Not logged in.

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Utilizing Eccentric User Preferences and Negative Feedback to Improve Recommendation Quality
Organization Unit
Authors
  • Sandro Luck
Supervisors
  • Bibek Paudel
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Number of Pages 48
Date February 2018
Abstract Text User satisfaction in Recommender Systems is dependent on many factors other than prediction accuracy. People also value qualities like variety, novelty and diversity. In this work, we explore two different areas to increase the quality and diversity of recommendations using well known Collaborative Filtering techniques. In the first problem, we focus on Two-Class Collaborative Filtering, where the goal is to recommend more positive items, while reducing the number of negative items at the top of recommendation lists. Modeling user behavior by accounting for their negative preference has shown to produce more diverse and accurate recommendations. In this work, we extend the recently developed Collaborative Metric Learning by modeling negative choices. We show with experimental results on openly available datasets that our method is able to improve recommendation quality and reduce the number of negative recommendations at the top. In the second problem, we look at the problem of improving recommendation diversity. Not all users prefer niche items to the same extent, and it is important to diversify recommendations accordingly. We explore the concept of item controversy and eccentricity and develop a new method to recommend nice items to users based on their inclination to such items. Our experiments show that our method is able to diversify the recommendations while achieving competitive or better accuracy in most cases.
Zusammenfassung Die Benutzerzufriedenheit in Recommender-Systemen hängt von vielen anderen Faktoren als dem Recall ab. Benutzer schätzen auch Qualitäten wie die Auswahlmöglichkeiten, Neuheit und Vielfalt. In dieser Arbeit untersuchen wir zwei verschiedene Bereiche, um die Qualität und Vielfalt von Empfehlungen mithilfe von Collaborative Filtering zu verbessern. Im ersten Problem konzentrieren wir uns auf die Two-Class Collaborative Filterung, bei der das Ziel darin besteht, mehr positive Items zu empfehlen und gleichzeitig die Anzahl der negativen Items an der Spitze der Empfehlungsliste zu reduzieren. Die Modellierung des Nutzerverhaltens unter Berücksichtigung ihrer negativen Präferenzen hat gezeigt, dass sie vielfältigere und genauere Empfehlungen liefert. In dieser Arbeit erweitern wir das kürzlich entwickelte Collaborative Metric Learning, indem wir negative Entscheidungen modellieren. Wir konnten mit experimentellen Resultaten zeigen, dass unsere Methode in der Lage ist, die Qualität zu verbessern und die Anzahl der negativen Empfehlungen zu reduzieren. Im zweiten Problem betrachten wir das Problem der Verbesserung der Empfehlungsvielfalt. Nicht alle Benutzer bevorzugen Nischen-Empfehlungen in gleichem Masse, und es ist wichtig, die Empfehlungen entsprechend zu variieren. Wir erforschen das Konzept der Item Controvery und entwickeln eine neue Methode zur Generierung von Empfehlungen. Unsere Experimente zeigen, dass unsere Methode in der Lage ist, die Empfehlungen zu diversifizieren und in den meisten Fällen eine Ähnliche oder bessere Genauigkeit zu erzielen.
PDF File Download
Export BibTeX