Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

The Effect of Feedback Granularity on Recommender Systems Performance

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F22%3A10448371" target="_blank" >RIV/00216208:11320/22:10448371 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.1145/3523227.3551479" target="_blank" >https://doi.org/10.1145/3523227.3551479</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1145/3523227.3551479" target="_blank" >10.1145/3523227.3551479</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    The Effect of Feedback Granularity on Recommender Systems Performance

  • Popis výsledku v původním jazyce

    The main source of knowledge utilized in recommender systems (RS) is users&apos; feedback. While the usage of implicit feedback (i.e. user&apos;s behavior statistics) is gaining in prominence, the explicit feedback (i.e. user&apos;s ratings) remain an important data source. This is true especially for domains, where evaluation of an object does not require an extensive usage and users are well motivated to do so (e.g., video-on-demand services or library archives).So far, numerous rating schemes for explicit feedback have been proposed, ranging both in granularity and presentation style. There are several works studying the effect of rating&apos;s scale and presentation on user&apos;s rating behavior, e.g. willingness to provide feedback or various biases in rating behavior. Nonetheless, the effect of ratings granularity on RS performance remain largely under-researched.In this paper, we studied the combined effect of ratings granularity and supposed probability of feedback existence on various performance statistics of recommender systems. Results indicate that decreasing feedback granularity may lead to changes in RS&apos;s performance w.r.t. nDCG for some recommending algorithms. Nonetheless, in most cases the effect of feedback granularity is surpassed by even a small decrease in feedback&apos;s quantity. Therefore, our results corroborate the policy of many major real-world applications, i.e. preference of simpler rating schemes with the higher chance of feedback reception instead of finer-grained rating scenarios.

  • Název v anglickém jazyce

    The Effect of Feedback Granularity on Recommender Systems Performance

  • Popis výsledku anglicky

    The main source of knowledge utilized in recommender systems (RS) is users&apos; feedback. While the usage of implicit feedback (i.e. user&apos;s behavior statistics) is gaining in prominence, the explicit feedback (i.e. user&apos;s ratings) remain an important data source. This is true especially for domains, where evaluation of an object does not require an extensive usage and users are well motivated to do so (e.g., video-on-demand services or library archives).So far, numerous rating schemes for explicit feedback have been proposed, ranging both in granularity and presentation style. There are several works studying the effect of rating&apos;s scale and presentation on user&apos;s rating behavior, e.g. willingness to provide feedback or various biases in rating behavior. Nonetheless, the effect of ratings granularity on RS performance remain largely under-researched.In this paper, we studied the combined effect of ratings granularity and supposed probability of feedback existence on various performance statistics of recommender systems. Results indicate that decreasing feedback granularity may lead to changes in RS&apos;s performance w.r.t. nDCG for some recommending algorithms. Nonetheless, in most cases the effect of feedback granularity is surpassed by even a small decrease in feedback&apos;s quantity. Therefore, our results corroborate the policy of many major real-world applications, i.e. preference of simpler rating schemes with the higher chance of feedback reception instead of finer-grained rating scenarios.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA22-21696S" target="_blank" >GA22-21696S: Hluboké vizuální reprezentace nestrukturovaných dat</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    RecSys &apos;22: Proceedings of the 16th ACM Conference on Recommender Systems

  • ISBN

    978-1-4503-9278-5

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    586-591

  • Název nakladatele

    ACM

  • Místo vydání

    New York, NY, USA

  • Místo konání akce

    Seattle WA, USA

  • Datum konání akce

    18. 9. 2022

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku