一、基本資訊

論文題目：《Comparison of Collaborative Filtering Algorithms:Limitations of Current Techniques and Proposals for Scalable,High-Performance Recommender Systems》

發表時間：February 2011,ACM Transactions on the Web,Vol.5,No.1,Article 2

論文作者及單位：FIDEL CACHEDA,VICTOR CARNEIRO,DIEGO FERNANDEZ,VREIXO FORMOSO(University of A Coruna)

論文地址：https://dl.acm.org/citation.cfm?id=1921593

我的評分：5顆星
 

二、摘要

本文比較了一些不同的協同過濾演算法，闡述了它們各自主要的優缺點，並提出了兩種新的可以提高推薦系統評估準確度的矩陣。同時還提出了一種新的協同過濾演算法，通過我們的實驗發現這種新的演算法在資料稀疏情況下的表現絲毫不差於目前最好的方法，並且它還有著更低的複雜度。

三、論文的工作

1、對state of the art進行了綜述，介紹了基於內容過濾以及協同過濾下model-based和memory-based的優缺點。

2、介紹了現有評估方法存在的問題與挑戰。

3、對現有推薦演算法的原理進行了十分詳細的推導，包含了每一步驟的公式.

4、大多數協同過濾演算法都在尋找使用者之間的共同點，因此資料稀疏問題很難解決。本文提出的新演算法則專注於使用者評分的不同點（偏好相同的使用者，有的喜歡打分偏高，有的喜歡打分偏低），這種演算法基於使用者打分的趨勢，排除使用者打分偏好的影響，找出分數使用者真正喜歡的或不喜歡的商品。

5、分別說明了當年流形的MAE、RMSE、ROC、precision and recall評估方法的缺點。

6、提出了兩種新的評估方法：Good Items MAE(GIM)、Good Predicted Items MAE(GPIM)

7、在movielens資料集上對當前流形的不同推薦演算法以及新提出的Tendencies-based演算法進行了測試，並分析了結果。

四、總結

個人覺得這篇文章將推薦系統的發展推向了一個新的臺階，作者從消費者行為學與心理學的視角入手，發現了使用者在對物品評分時存在打分偏好這一現象，這會嚴重影響原有推薦系統的效率。然後為了解決這一問題，作者提出了一種基於趨勢的協同過濾演算法，消除了一部分打分偏好問題，大大提高了推薦系統的準確率。同時作者還發現原有的評估方法存在著很大的問題，並提出了兩種新的評估方法，同樣是十分重大的貢獻。