通过元学习算法特性进行推荐系统中的算法选择.pdfVIP

通过元学习算法特性进行推荐系统中的

算法选择

JarneMathiDeckerJoeranBeel

UniversityofSiegenUniversityofSiegen

Siegen,GermanyRecommender-S

jarne.decker@student.uni-siegen.deSiegen,Germany

joeran.beel@uni-siegen.de

摘要CCSConcepts

推荐系统中的算法选择问题——为给定用户或•Informationsystems→Recommendersys-

本上下文选择最佳算法——仍然是一个重要的挑tems.

译战。传统的元学习方法通常将算法视为类别选

中择，忽略了它们的内在属性。最近的研究表明，Keywords

1明确地用特征来描述算法可以提高其他领域的算法选择，元学习，推荐系统，特征工程

v

9模型性能。在此基础上，我们提出了一种针对用ACMReferenceFormat:

1户的元学习推荐系统选择方法，该方法利用用

4JarneMathiDeckerandJoeranBeel.2025.通过元学习

4户元特征和从源代码中自动提取的算法特征。算法特性进行推荐系统中的算法选择.InProceedingsof

0.我们的初步结果在六个多样化的数据集上平均19thACMConferenceonRecommenderSystems(Submitted

8

0显示，通过增加算法特征增强的元学习者提高toRecSys2025).ACM,NewYork,NY,USA,8pages.https:

5了其平均NDCG@10性能8.83%，从仅使用用户///10.1145/nnnnnnn.nnnnnnn

2

:特征时的0.135提升到0.147。这种改进后的模

v

i型优于单一最佳算法基线（0.131），并成功缩小1介绍

x

r了与理论上的最优选择器10.5%的性能差距。这在推荐系统和机器学习中，一个公认的原则是

a

些发现表明，即使是静态源代码度量也提供了没有任何单一算法能够在所有问题类型上表现

有价值的预测信号，为构建更稳健和智能的推最优，这是“没有免费的午餐”定理的一种体现

荐系统提供了一个有前景的方向。[44]。在推荐系统的领域内，这一点尤为明显：

评估经常显示，推荐算法的表现会因不同的应

Permissiontomakedigitalorhardcopiesofallorpartofthiswork用或数据集而有所不同[8]。这种性能差异延伸

forpersonalorclassroomuseisgrantedwithoutfee