[论文解读] Recommender System for Online Dating Service

Lukas Brozovsky, V. Petřı́ček|ArXiv.org|Mar 9, 2007

Recommender Systems and Techniques参考文献 17被引用 117

一句话总结

本文提出了一种基于协同过滤（CF）的推荐系统，用于在线恋爱服务，以应对信息过载并提升匹配质量。基于来自Libimseti.cz的真实数据，研究显示用户-用户和物品-物品CF算法在预测准确度（NMAE：3.08% 和 2.04%）上显著优于全局流行度（均值）和随机基线，并在盲测实验中更受用户青睐，用户在对决中以64.38%的胜率击败均值算法。

ABSTRACT

Users of online dating sites are facing information overload that requires them to manually construct queries and browse huge amount of matching user profiles. This becomes even more problematic for multimedia profiles. Although matchmaking is frequently cited as a typical application for recommender systems, there is a surprising lack of work published in this area. In this paper we describe a recommender system we implemented and perform a quantitative comparison of two collaborative filtering (CF) and two global algorithms. Results show that collaborative filtering recommenders significantly outperform global algorithms that are currently used by dating sites. A blind experiment with real users also confirmed that users prefer CF based recommendations to global popularity recommendations. Recommender systems show a great potential for online dating where they could improve the value of the service to users and improve monetization of the service.

研究动机与目标

• 为了解决在线恋爱中的信息过载问题，即用户因排名不佳和查询限制而面临过多资料浏览。
• 评估协同过滤（CF）与全局流行度算法在推荐恋爱资料方面的有效性。
• 在真实环境中评估用户对基于CF和全局流行度推荐的偏好。
• 证明基于CF的推荐系统可显著提升匹配质量与服务价值。

提出的方法

• 本研究使用来自在线恋爱网站Libimseti.cz的真实数据集，包含14,057条评分，覆盖1,000个资料，稀疏度为11.39‰。
• 对比了四种算法：Random（均匀随机预测）、Mean（全局流行度）、User-User CF（k-最近邻）、Item-Item CF（基于余弦相似度）。
• 使用归一化平均绝对误差（NMAE）衡量预测准确度，并在数据集的一个快照上进行交叉验证。
• 通过111名参与者的盲测实验，比较了User-User（10,50）、Mean和Random算法的推荐列表，采用“对决”格式评估用户偏好。
• 用户界面确保推荐对象为异性，并排除已评分资料，以避免偏差。
• 评估了索引结构的可扩展性，确认ColFi能够处理真实世界流量水平。

实验结果

研究问题

• RQ1 协同过滤算法是否能在在线恋爱场景中显著提升相对于全局流行度基线的推荐准确度？
• RQ2 用户是否认为基于CF的推荐质量高于全局流行度或随机推荐？
• RQ3 用户-用户和物品-物品CF算法在NMAE指标上与均值和随机基线相比表现如何？
• RQ4 用户界面设计对恋爱平台评分真实性与推荐质量有何影响？
• RQ5 混合或互惠匹配模型是否能进一步提升恋爱系统中的推荐相关性？

主要发现

• User-User CF实现了最低的NMAE（3.08%），优于Item-Item CF（2.04%）和全局Mean算法。
• Item-Item CF算法取得了最佳预测准确度，NMAE为2.04%，显著低于Mean算法的3.95%。
• 在用户偏好实验中，User-User算法在与Mean算法的对决中获胜64.38%，表明用户对基于CF的推荐有强烈偏好。
• Mean算法在与User-User算法的对决中获胜35.62%，表明用户普遍偏好热门资料，但整体仍处于劣势。
• Random算法表现欠佳，在与User-User算法的对决中输掉87.50%，确认其作为推荐基线的无关性。
• 本研究证实，基于CF的推荐系统不仅更准确，也更受真实用户青睐，支持其在真实恋爱平台中的部署。