ExCalibR：期望推荐校准

​

ExCalibR: Expected Calibration of Recommendations

解决问题：本论文旨在解决推荐系统和搜索问题中的平衡性问题，即如何在保持高相关性的同时，实现在给定类别上的平衡性。这个问题并不是新问题，但是在推荐系统和搜索问题中具有重要的实际应用意义。

关键思路：本文提出了一种通过线性规划优化问题来实现平衡相关性和平衡性的方法，通过学习一个双重随机矩阵来实现期望最优平衡。然后，使用双重随机矩阵的Birkhoff-von Neumann分解来实现所学的策略。通过对基本方法进行多种优化，可以使其更快速地实现。相比于许多其他基线，实验证明了所提出的公式可以实现更好的平衡相关性和平衡性的折衷。

其他亮点：本文的实验使用了一些数据集，并展示了所提出的方法的有效性。本文没有普遍规定要校准的确切类别（例如类型），这可能取决于特定任务或业务目标。这篇论文的贡献在于提出了一个可以应用于各种问题的框架，并使用了一些用例来证明所提出的方法的有效性。

关于作者：Pannagadatta Shivaswamy是谷歌公司的研究员，他的研究兴趣包括机器学习、优化和推荐系统。他之前的代表作包括“Training Deep Nets with Sublinear Memory Cost”和“Online Learning with Adversarial Delays”。

相关研究：最近的相关研究包括“Balancing Relevance and Diversity in Recommendation with Multi-Objective Optimization”（作者：Xiang Wang，机构：University of California, Santa Barbara）和“Optimizing Recommender Systems with Multi-Objective Evolutionary Algorithms”（作者：Jianqiang Huang，机构：University of Science and Technology of China）。

论文摘要：本文介绍了如何在推荐系统和搜索问题中实现平衡的结果展示，除了提供高度相关的内容之外，平衡不同类型的结果也是一个重要目标。例如，在电影推荐系统中，实现不同类型电影的平衡可能会很有帮助，同样，平衡高度流行的节目和高度个性化的节目也很重要。这种平衡可能涉及许多类别，可以为增强用户体验、商业考虑和公平目标等提供帮助。本文考虑了关于物品类别的校准问题。我们提出了一种通过线性规划优化问题来平衡关联性和校准之间的权衡的方法，我们学习一个双重随机矩阵以在期望中实现最佳平衡。然后，我们使用双重随机矩阵的Birkhoff-von Neumann分解来实现学习到的策略。我们考虑了一些优化措施来加快所提出的基本方法。实验表明，与许多其他基线相比，所提出的公式可以实现更好的权衡。本文并未普遍规定要校准的确切类别（例如类型），这可能取决于特定的任务或业务目标。本文的主要贡献在于提出了一个可以应用于各种问题的框架，并使用几个用例证明了所提出方法的有效性。

​Read More