Even more so than in traditional in

Even more so than in traditional individual recommendation, identifying items of high relevance to a group is challenging: What if group members disagree on their favorite items (e.g., people who prefer non-fiction books vs those who like fiction, in a book reading club)? What if there is a group member whose tastes highly differ from all others (e.g., a vegetarian going to a restaurant with non-vegetarians)? At its core, group recommendation necessitates the modeling of disagreements between group members and aims to find items with high predicted rating that also minimize disagreements between group members. In other terms, it is more desirable to return an item that each group member is happy with than to return an item that polarizes group members even if the latter has higher average ratings among them. In this work, we formalize the notion of consensus functions that capture such real-world scenarios. Intuitively, the general form of consensus functions is a weighted combination of predicted rating and pairwise disagreement. For a given user, her individual preference (i.e., predicted rating generated by an underlying recommender system) for items can be maintained in the so-called predicted rating list. We can then leverage Fagin-style merge algorithms [8] to generate items to be recommended to the group based on individual lists of items sorted by their predicted ratings to each group member. Unfortunately, while item disagreements between users can be computed from their predicted rating lists, they do not increase or decrease monotonically with the predicted ratings: two users who both think highly of an item may still disagree more on that item than on an item they both dislike. This drastically reduces the pruning power of the merge algorithms. To address this issue, we introduce pairwise disagreement lists which are precomputed from predicted rating lists and sorted in decreasing order of disagreements. Both predicted rating lists and pairwise disagreement lists can then be merged, using Fagin-style algorithms, to find items to recommend to a group.

결과 (한국어) 1:

훨씬 더 그래서 보다 전통적인 개별 추천에 높은 관련성 그룹의 항목을 식별 도전: 그룹 구성원 자신의 즐겨찾기 항목 (예를 들어, 사람들이 선호 하는 논픽션 책 vs 책 독서 클럽에서 소설 같은 사람)에 동의 하는 경우? 어떤 경우 그룹 구성원의 취향 높은 다른 (예를 들어, 채식주의와 비 채식주의 레스토랑에가) 다? 자사의 핵심에서 그룹 추천 그룹 구성원 간의 불일치의 모델링을 필요로 하 고 또한 그룹 구성원 간의 불 화를 최소화 하는 높은 예측된 등급으로 항목을 찾을 수는 것을 목표로. 다른 측면에서 더 각 그룹 멤버는 만족 보다 그룹 구성원 경우에 후자는 그들의 사이에서 더 높은 평균 등급에서 한 항목을 반환 하는 항목을 반환 하는 것입니다. 이 작품에서 우리 합의 함수는 같은 실제 시나리오를 캡처의 개념을 공식화. 직관적으로, 일반적인 형태의 합의 기능 예측된 평가 및 인덱스도 불일치의 가중치 조합 이다. 지정된 된 사용자, 그녀의 개인 기본 설정 (즉, 기본 추천 시스템에 의해 생성 되는 예측된 등급)에 대 한 위해 소위 예측된 평가 목록에서 항목을 유지할 수 있다. 우리 다음 Fagin 스타일 병합 알고리즘 [8] 각 그룹 구성원에 게 그들의 예측된 평가 의해 정렬 항목의 개별 목록에 기반 하는 그룹에 추천 항목 생성을 활용할 수 있습니다. 불행 하 게도, 사용자 간의 불 화 항목 들의 예측된 평가 목록에서 계산 될 수 있다, 하는 동안 그들은 할 하지 늘리거나 단순하게 예측 등급: 두 사용자가 모두 높은 항목의 생각 아직도 동의 하지 않을 수 더 해당 항목에 대해 항목에 그들은 둘 다 싫어하는 보다. 이 크게 병합 알고리즘의 가지 치기 힘을 줄일 수 있습니다. 이 문제를 해결 하려면 예측된 등급 목록에서 미리 계산 되 고 불일치의 내림차순 정렬 없음을 불일치 목록 소개 합니다. 둘 다 등급 목록 및 인덱스도 불일치 목록 병합할 수 있습니다 다음, 그룹에 추천 항목을 Fagin 스타일 알고리즘을 사용 하 여 예측.

결과 (한국어) 2:

더욱 더 전통적인 개별 권고에 비해, 그룹에 높은 관련성의 항목을 식별하는 도전 : 그룹 구성원이 자신이 좋아하는 항목 (에 동의하지 않을 경우는 어떻게 예를 들어, 책 읽기 클럽에서, 소설을 좋아하는 사람들을 대 논픽션 책을 선호하는 사람들 )? 누구의 취향이 높은 (예, 채식 비 채식주의 자와 레스토랑에가는) 모든 다른 사람과 다른 그룹 멤버는 무엇이 있는지? 의 핵심, 그룹 추천은 그룹 구성원 간의 의견 차이를 최소화 높은 예측 평가와 항목을 찾을 수있는 그룹 구성원과 목적 사이의 불일치의 모델링을 필요로한다. 다른 측면에서, 각각의 그룹 구성원이 후자는 그 중에서도 높은 평균 등급이있는 경우에도 그룹 구성원 편광 항목을 반환하기보다 행복하다 항목을 리턴하는 것이 더 바람직하다. 이 작품에서 우리는 캡처 등 실제 시나리오를 합의 함수의 개념을 공식화. 직관적으로, 합의 기능의 일반적인 형태는 예측 평가 및 페어 불일치의 가중 조합이다. 특정 사용자에 대해, 그녀의 개인 환경 평가 목록을 예측 소위로 유지 될 수있는 항목에 대한 (즉, 기본 추천 시스템에 의해 생성 된 등급을 예측). 우리는 각 그룹 멤버에게 자신의 예측 등급으로 분류 항목리스트에 기초하여 개별 그룹 추천하는 FAGIN 스타일 병합 알고리즘 [8] 항목을 생성하는데 활용할 수있다. 사용자 간의 항목 불일치가 자신의 예측 평가 목록에서 계산 될 수 있지만 불행하게도, 그들은 증가하지 않거나 예측 평가와 단조 감소 : 모두가 항목의 매우 생각이 사용자 수도 여전히 항목보다 더 많은 해당 항목에 동의 둘 싫어함. 이것은 크게 병합 알고리즘의 가지 치기 전력을 줄일 수 있습니다. 이 문제를 해결하기 위해, 우리는 예측 평가 목록에서 미리 계산과 불화의 내림차순으로 정렬됩니다 페어 의견 목록을 소개합니다. 모두 그룹에 추천 항목을 찾기 위해, FAGIN 스타일의 알고리즘을 사용하여, 평가 목록 및 페어 의견 목록은 다음 병합 할 수 있습니다 예측했다.