Comparing model-based collaborative filtering algorithms for a diverse movie recommender

Abstract

Measuring recommender system performance has focused on accuracy for decades. Recently, recommendation diversity has appeared as an interesting research topic alongside accuracy. The purpose of this thesis is to compare the diversity and accuracy-diversity trade-off of different model-based collaborative filtering recommender algorithms from the perspective of movie recommender systems.

SVD, NMF and co-clustering algorithms were evaluated and compared with different accuracy and diversity metrics. A recently proposed accuracy-diversity trade-off metric is used to further analyse the balance between accuracy and diversity. SVD algorithm emerged as the leading algorithm in multiple metrics, including the trade-off metric. While the other two algorithms might provide better diversity, the increased diversity was not enough to justify the decreased accuracy.

Suosittelujärjestelmien suorituskyvyn mittaamisessa on vuosikymmeniä keskitytty tarkkuuteen. Viime aikoina suositusten monimuotoisuus on noussut mielenkiintoiseksi tutkimusaiheeksi tarkkuuden rinnalle. Tämän maisterintutkielman tarkoituksena on vertailla eri mallipohjaisten yhteistoiminnalisten suosittelualgoritmien monimuotoisuutta sekä tarkkuuden ja monimuotoisuuden välistä kompromissia elokuvasuosittelujärjestelmien näkökulmasta.

SVD-, NMF- ja yhteisklusteroimis-algoritmeja arvioitiin eri tarkkuus- ja monimuotoisuusmittareilla. Hiljattain ehdotettua tarkkuuden ja monimuotoisuuden kompromissimittaria käytetään tarkkuuden ja monimuotoisuuden välisen tasapainon tarkempaan analysointiin. SVD-algoritmi osottautui parhaaksi algoritmiksi useilla mittareilla, mukaan lukien kompromissimittarilla. Vaikka kaksi muuta algoritmia saattavat tarjota paremman monimuotoisuuden, kasvanut monimuotoisuus ei riittänyt perustelemaan laskenutta tarkkuutta.