gcmc

来源：RUC AI Box 本文 约5200字 ，建议 阅读10分钟 本文介绍了对于不同的实验设置对评价top-N商品推荐算法的影响，并设计了一个经验性的大规模实验。 1 引言 近十年里，top-N商品推荐是隐式反馈中一个被广泛研究的课题[1]，其目的是从大量数据中识别出用户可能偏爱的一小部分物品。各种top-N物品推荐算法已经被开发出来，特别是基于深度学习的研究取得了很大的进展[2]。 为了证明推荐算法的有效性，需要在基准数据集上建立可靠的评价实验。通常，这样的评估过程包括一系列对于数据集、指标、基线方法和其他方案的设置。由于每个设置步骤可以选择不同的选项，需要制定和设计适当的标准，以使实验设置标准化[3,4]。为此，有必要对近期研究中有分歧的实验设置进行系统的回顾。 在这篇论文中，对于不同的实验设置对评价top-N商品推荐算法的影响，我们设计了一个经验性的大规模实验。我们试图找出导致近期评测工作中出现分歧的重要评估设置[2,7]。具体来说，考虑三个重要的影响因素， 即数据集分割、采样指标和数据领域选择。 数据集分割是指利用原始数据构造训练集、验证集和测试集；采样指标是指用采样方法获得不相关物品来计算评测指标的结果；数据领域选择是指从不同领域中选择合适的数据集进行评估。 为了检验这三个因素的影响，我们在Amazonreview数据集[8]上进行了大量的实验

　　近十年里，top-N商品推荐是隐式反馈中一个被广泛研究的课题，其目的是从大量数据中识别出用户可能偏爱的一小部分物品。 　　各种top-N物品推荐算法已经被开发出来，特别是基于深度学习的研究取得了很大的进展。 　　为了证明推荐算法的有效性，需要在基准数据集上建立可靠的评价实验。通常，这样的评估过程包括一系列对于数据集、指标、基线方法和其他方案的设置。 　　由于每个设置步骤可以选择不同的选项，需要制定和设计适当的标准，以使实验设置标准化。为此，有必要对近期研究中有分歧的实验设置进行系统的回顾。 　　本文介绍一篇被CIKM 2020收录的论文，在这篇论文中，对于不同的实验设置对评价top-N商品推荐算法的影响，作者设计了一个经验性的大规模实验。 　　 　　论文标题： 　　《Revisiting Alternative Experimental Settings for Evaluating Top-N Item Recommendation Algorithms》 　　论文来源：ACM CIKM 2020 　　论文链接：http://arxiv.org/abs/2010.04484 　　1 　　论文介绍 　　我们试图找出导致近期评测工作中出现分歧的重要评估设置。 　　具体来说，考虑三个重要的影响因素，即 数据集分割、采样指标和数据领域选择 。 　　数据集分割是指利用原始数据构造训练集