Analýza multi-stage rekomendačních systémů

Abstract

Tato práce provádí studii doporučovacích systémů se speciálním zaměřením na multi-stage doporučovací systémy. Práce zkoumá komplexní problematiku těchto systémů a zkoumá motivace, které stojí za použitím čtyř-fázového přístupu. Práce zkoumá různé retrieval algoritmy a přístupy pro následné řazení. V práci je navržen a implementován multi-stage doporučovací systém pro datovou sadu Dressipi. Práce vyhodnocuje řadu implementovaných retrieval algoritmů s cílem vytvořit robustní retrieval fázi. Pro řazení je pak využita implementace gradient-boosted rozhodovacích stromů, přičemž nejlepších výsledků se dosáhlo ensemblem listwise a pointwise přistupů. Vyhodnocení doporučovacích systémů ukazuje, že využití multi-stage přístupu pro doporučování překonává použití jednotlivých doporučovacích algoritmů nebo jejich ensemblů. Na závěr jsou diskutována možná budoucí vylepšení a směry dalšího výzkumu.

This thesis provides a comprehensive study of recommender systems, with a specific focus on multi-stage recommender systems. The work investigates the complex nature of such systems and examines the motivations behind the use of a four-stage pipeline. The study covers various retrieval algorithms and approaches employed in the ranking stage. A tailored multi-stage recommender system for the Dressipi dataset is designed and implemented, with a range of retrieval models evaluated to create a robust retrieval stage. The state-of-the-art implementation of gradient-boosted decision trees is employed for ranking, with the best results obtained by ensembling multiple approaches. The importance of utilizing various features is examined, and the pointwise and listwise ranking approaches are compared. The performance evaluation demonstrates that utilizing a multi-stage pipeline for recommendation outperforms using single recommendation algorithms or their ensembles. Finally, future improvements and work are discussed.