[论文解读] Towards effective research recommender systems for repositories

Petr Knoth, Lucas Anastasiou+5 more|Open Research Online (The Open University)|May 1, 2017

Recommender Systems and Techniques参考文献 7被引用 14

一句话总结

本文提出了CORE推荐系统，这是一个集成于学术存储库和期刊中的前沿研究推荐系统，通过协同过滤与基于内容的过滤技术，提升相关学术文献的发现效率。该系统通过个性化推荐改善用户体验，但因存储库基础设施中缺乏标准化的用户交互日志记录和全局登录功能，面临挑战。

ABSTRACT

In this paper, we argue why and how the integration of recommender systems for research can enhance the functionality and user experience in repositories. We present the latest technical innovations in the CORE Recommender, which provides research article recommendations across the global network of repositories and journals. The CORE Recommender has been recently redeveloped and released into production in the CORE system and has also been deployed in several third-party repositories. We explain the design choices of this unique system and the evaluation processes we have in place to continue raising the quality of the provided recommendations. By drawing on our experience, we discuss the main challenges in offering a state-of-the-art recommender solution for repositories. We highlight two of the key limitations of the current repository infrastructure with respect to developing research recommender systems: 1) the lack of a standardised protocol and capabilities for exposing anonymised user-interaction logs, which represent critically important input data for recommender systems based on collaborative filtering and 2) the lack of a voluntary global sign-on capability in repositories, which would enable the creation of personalised recommendation and notification solutions based on past user interactions.

研究动机与目标

• 通过集成推荐系统提升学术存储库中的研究发现能力。
• 解决当前存储库基础设施中阻碍高效推荐系统发展的局限性。
• 通过跨全球存储库提供个性化、高质量的文献推荐，改善用户体验。
• 识别并克服大规模研究推荐系统部署中的关键技术与基础设施障碍。
• 通过系统化的评估流程，持续评估并改进推荐质量。

提出的方法

• CORE推荐系统采用混合推荐方法，结合协同过滤与基于内容的过滤，利用元数据和用户交互数据。
• 它利用来自存储库和期刊的匿名用户交互日志，建模用户偏好与项目相似性。
• 该系统基于分布式架构构建，支持在全球存储库网络中实现跨存储库推荐。
• 通过标准化API和部署框架，支持与第三方存储库的集成。
• 实施了评估流程，以持续监控并改进推荐质量。
• 系统设计时充分考虑可扩展性，以支持未来增强功能，如个性化通知和登录集成。

实验结果

研究问题

• RQ1 如何有效提升推荐系统在学术存储库中对研究发现的促进作用？
• RQ2 当前存储库生态系统中，哪些技术和基础设施障碍阻碍了高质量研究推荐系统的开发？
• RQ3 协同过滤与基于内容的过滤在多大程度上可以结合使用，以提升跨多样化存储库的推荐准确性？
• RQ4 当缺乏暴露此类数据的标准协议时，如何有效利用匿名用户交互日志？
• RQ5 全局登录功能在实现个性化推荐与通知系统中扮演何种关键角色？

主要发现

• CORE推荐系统已成功重构并投入生产环境，展现出良好的可扩展性与跨存储库功能。
• 该系统通过分析全球存储库网络中用户交互与内容元数据，提供个性化推荐。
• 识别出的主要限制是缺乏标准化协议来暴露匿名用户交互日志，而这是协同过滤所必需的关键数据。
• 另一项关键挑战是缺乏自愿的全局登录系统，这阻碍了持久的用户画像构建与个性化推荐。
• 尽管存在这些基础设施限制，系统仍通过精心设计与评估流程，实现了高质量的推荐效果。
• 本文强调了学术界需建立社区级标准，以支持下一代推荐系统的发展。