推荐系统中的自然噪声批判

推荐系统已经过许多升级、测试和应用，而且往往是无与伦比的。为了努力理解用户在某些环境中的行为，这些系统已被频繁用于电子商务、电子学习和旅游等领域。它们日益增长的需求和受欢迎程度使得在数据稀疏性、冷启动、恶意噪声和自然噪声等主要问题上存在大量研究途径，这极大地限制了它们的性能。典型的情况是，为这些系统提供燃料的数据质量应该非常可靠。尽管运行高级个性化算法，但数据集中不一致的用户信息可能会改变推荐者的性能。这样做的后果可能是昂贵的，因为这样的系统被大量的在线业务所采用。成功管理这些不一致性会带来更个性化的用户体验。在本文中，深入分析了之前在推荐数据集中进行的自然噪声管理工作。我们充分探索了所提出的方法测量改进性能的方法，并触及了不同的自然噪声管理技术和解决方案的属性。此外，我们测试了用于评估这些方法的评估方法，并讨论了该领域未来应实现的几个关键差距和其他改进。我们的工作考虑了建立自然噪声管理和推荐评估现代研究分支的可能性。