Recommendation stability measures t

Recommendation stability measures the extent to which a recommendation algorithm provides predictions that are consistent with each other. Several approaches have been proposed in prior work to defining, measuring, and improving the stability of recommendation algorithms. Previous studies have focused primarily on understanding and evaluating recommendation stability in prediction-oriented settings, i.e., recommendation settings where it is crucial to provide the precise prediction of a user's preference rating for an item. However, the research literature has been largely silent on the topic of recommendation stability in other important types of settings, such as classification-oriented (i.e., where it is important to accurately classify the item as relevant versus irrelevant, without having to quantify the user's preference precisely), ranking-oriented (i.e., where it is important to provide accurate relative ranking of items to users), or top-K oriented (i.e., where it is important to suggest K items that are most appealing to the user). Therefore, this paper builds on prior work by generalizing the notion of stability to a broader set of recommendation settings and developing corresponding stability metrics. The paper also provides a comprehensive empirical analysis of classification, ranking, and top-K stability performance of popular recommender algorithms on real-world rating data sets under a variety of settings. © 2016 INFORMS.

Resultados (español) 1:

Estabilidad de recomendación mide el grado en que un algoritmo de recomendación proporciona predicciones que son consistentes entre sí. Varios acercamientos se han propuesto en el trabajo previo a definir, medir y mejorar la estabilidad de algoritmos de recomendación. Estudios previos se han centrado principalmente en la comprensión y evaluación de estabilidad de la recomendación en orientado a la predicción de configuración, es decir, recomendación que es crucial proporcionar la predicción precisa de la calificación de preferencia de un usuario de un elemento. Sin embargo, la literatura de investigación ha sido en gran parte silenciosa en el tema de la estabilidad de la recomendación de otros importantes tipos de ajustes, tales como orientada a la clasificación (es decir, donde lo importante es clasificar con precisión el tema como relevante versus irrelevante, sin tener que cuantificar precisamente la preferencia del usuario), orientado a la clasificación (es decir, donde es importante proporcionar exacta clasificación relativa de artículos a usuarios), o top-K orientado (es decir, donde es importante sugerir K elementos que son más atractivas para el usuario). Por lo tanto, este trabajo se basa en trabajos previos por la generalización de la noción de estabilidad de un conjunto más amplio de valores de recomendación y el desarrollo de parámetros de estabilidad correspondientes. El artículo también ofrece un completo análisis empírico de la clasificación, ranking y top-K estabilidad rendimiento de algoritmos de recomendación popular en conjuntos de datos reales de clasificación bajo una variedad de ajustes. © INFORMA A 2016.

Resultados (español) 2:

Recomendación estabilidad mide el grado en que un algoritmo de recomendación proporciona predicciones que son coherentes entre sí. Varios enfoques se han propuesto en el trabajo antes de definir, medir y mejorar la estabilidad de algoritmos de recomendación. Estudios anteriores se han centrado principalmente en la comprensión y la evaluación de la estabilidad de la recomendación en entornos orientados a la predicción-, es decir, la configuración de recomendación en los que es fundamental para proporcionar la predicción precisa de la clasificación de preferencia de un usuario de un artículo. Sin embargo, la literatura de investigación ha sido en gran medida en silencio sobre el tema de la estabilidad recomendación en otros tipos importantes de ajustes, tales como la clasificación orientado (es decir, donde es importante para clasificar con precisión el artículo como relevante frente a irrelevante, sin tener que cuantificar el usuario de preferencia precisamente), orientada de rango (es decir, donde es importante proporcionar clasificación relativa precisa de los artículos a los usuarios), o la parte superior-K orientadas (es decir, donde es importante para sugerir artículos K que son más atractivos para el usuario). Por lo tanto, este documento se basa en el trabajo previo al generalizar la noción de estabilidad a un conjunto más amplio de ajustes de recomendación y el desarrollo de las métricas correspondientes de estabilidad. El documento también proporciona un análisis empírico exhaustivo de la clasificación, la clasificación, y el grado de estabilidad del top-K de algoritmos de recomendación populares en conjuntos de datos de calificación del mundo real en una variedad de configuraciones. © 2016 INFORMS.

Resultados (español) 3:

Recomendación de medidas de estabilidad en la medida en que una recomendación algoritmo proporciona predicciones de que son compatibles el uno con el otro.Se han propuesto varios enfoques en trabajo previo a definir, medir y mejorar la estabilidad de la recomendación de algoritmos.Estudios anteriores se han centrado principalmente en la comprensión y predicción de la estabilidad en entornos orientados a la evaluación de la recomendación, es decir, la recomendación de lugares donde es crucial para proporcionar la predicción precisa de una preferencia del usuario a valorar para un tema.Sin embargo, la literatura de investigación ha sido en gran parte en silencio sobre el tema de la recomendación la estabilidad en otros importantes tipos de ajustes, tales como la clasificacion orientado (es decir, donde es importante clasificar con precision el tema como relevante o irrelevante, sin necesidad de cuantificar la preferencia del usuario precisamente), ranking orientado (es decir, donde es importante proporcionar precisa clasificación relativa de temas a los usuarios), o top-k orientado (es decir, donde es importante sugerir K items que son más atractivos para el usuario).Por lo tanto, este documento se basa en el trabajo anterior por generalizar el concepto de estabilidad a un conjunto más amplio de recomendación settings y desarrollo de estabilidad correspondientes metricas.En el documento también se proporciona un análisis empírico exhaustivo de clasificación, ranking, estabilidad y rendimiento de la popular top-k recomendador calificacion real algoritmos sobre conjuntos de datos en una variedad de configuraciones.© 2016 informa.