Calibration of recommendation systems. Search for heterogeneous effect and atypical users for content recommendation tasks

Abstract

В этой работе рассмотрены методы калибровки рекомендательных систем, которые направлены на разнообразие и пропорциональность рекомендаций для пользователей. Если пользователь посмотрел, 80 артхаусных фильмов и 20 комедий, то вполне разумно ожидать, что персонализированный список рекомендуемых фильмов будет состоять примерно из 80% артхаусных и 20% комедий, но современные рекомендательные системы настроены на точность и могут удовлетворять не все интересы пользователя, если, например алгоритм плохо рекомендует комедии. Были изучены и реализованы несколько методов переранжирования списка сгенерированных рекомендаций. Было проведено несколько экспериментов для сравнения качества работы реализованных методов между собой и с готовой реализацией рекомендательной системы.

In this paper, we consider methods for calibration of recommendation systems that are aimed at the diversity and proportionality of recommendations for users. If the user has watched 80 Arthouse movies and 20 comedies, it is reasonable to expect that the personalized list of recommended movies will consist of about 80% of Arthouse and 20% of comedies, but modern recommendation systems are configured for accuracy and may not satisfy all the user's interests, if, for example, the algorithm does not recommend comedies well. Several methods for re-ranking the list of generated recommendations were studied and implemented. Several experiments were conducted to compare the quality of the implemented methods with each other and with the finished implementation of the recommendation system.