Módszer az üzleti mutatók anonimizálására implicit visszajelzési adatkészletek közzétételére

Gunosy Inc., Japán

RIKEN Advanced Intelligence Project Center, Japán

Új hivatkozási figyelmeztetés hozzáadva!

Ezt a riasztást sikeresen hozzáadtuk, és elküldjük a következő címre:

Értesítést kapunk, ha az Ön által kiválasztott rekordot idézik.

A riasztási beállítások kezeléséhez kattintson az alábbi gombra.

Új idézőjelzés!

Mentés a Binder-be

RecSys '20: Tizennegyedik ACM konferencia az ajánló rendszerekről

ABSZTRAKT

Ez a cikk bemutatja az adatkészletek kereskedelmi szolgáltatások létrehozásának és közzétételének módszerét. Az adatkészletek hozzájárulnak a gépi tanulás és az ajánló rendszerek kutatásának fejlesztéséhez. Különösen azért, mert az ajánló rendszerek központi szerepet játszanak számos kereskedelmi szolgáltatásban, a szolgáltatások adatkészleteinek közzététele iránt nagy az igény az ajánló rendszer közösség számára. Az adatkészletek kereskedelmi szolgáltatások általi közzététele azonban üzleti kockázatokkal járhat e vállalatok számára. Adatkészlet közzétételéhez ezt a szolgáltatás üzleti vezetőjének jóvá kell hagynia. Mivel sok üzleti vezető nem szakember a gépi tanulásban vagy az ajánló rendszerekben, a kutatók feladata elmagyarázni nekik a kockázatokat és előnyöket.

Először három kihívást foglalunk össze a kereskedelmi szolgáltatások adatkészleteinek felépítésével: (1) anonimizáljuk az üzleti mutatókat, (2) fenntartjuk a tisztességet és (3) csökkentjük a népszerűség torzítását. Ezután optimalizálási problémaként fogalmazzuk meg az adatkészletek elkészítésének és közzétételének problémáját, amely a felhasználók mintavételi súlyát keresi, ahol a kihívásokat megfelelő veszteségfüggvényekként kódolják. Módszerünket arra használtuk, hogy a valós mobil hírszolgáltatásunk nyers adataiból adatkészleteket állítsunk össze. A nyers adatoknak több mint 1.000.000 felhasználója van, 100.000.000 interakcióval. Minden adatkészlet kevesebb, mint 10 perc alatt készült el. Módszerünk tulajdonságait megvizsgáltuk az adatkészletek statisztikáinak és a tipikus ajánló rendszer algoritmusok teljesítményének ellenőrzésével.