SM-RS 2.0：用户对单目标和多目标推荐系统的感知质量

《ACM Transactions on Recommender Systems》：SM-RS 2.0: User-perceived Qualities of Single- and Multi-Objective Recommender Systems

推荐系统正从单一相关性预测转向多目标优化，关注多样性、新颖性等指标。SM-RS 2.0数据集扩展了原单/多目标推荐数据集，通过用户自我声明偏好、点击行为及显式评价，揭示多目标权衡机制。配套评估框架包含点击预测、偏好建模、比例推荐构建等6项创新任务，填补用户感知量化空白。

　　

摘要

推荐系统（RS）依赖于用户与物品之间的交互数据来生成有效的推荐结果。最初，推荐系统仅旨在预测物品的相关性，但随着时间的推移，其他（与相关性无关的）质量标准也受到了越来越多的关注。如今，多样性、新颖性、公平性或偶然性等目标已成为推荐系统研究的中心内容，同时也是实际应用系统中的核心组成部分。为了朝着这些目标前进，系统必须了解用户如何看待这些目标，他们在推荐中需要这些目标的程度，以及他们如何评估结果在这些目标方面的满足程度。然而，目前尚不存在一个能够涵盖所有必要信息的公开可用的数据集。这导致算法设计和评估处于一种“半盲”的状态，即无法从用户的角度验证各个目标的重要性或用于评估这些目标的指标。

为了解决这个问题，我们推出了SM-RS 2.0，这是对原始单目标和多目标推荐数据集的扩展。该数据集将用户对各个目标的自我声明的偏好与他们的使用体验、物品选择以及对各项质量标准的明确评价联系起来。除了数据集本身，我们还提供了一个评估框架，其中包含了六项在现有推荐系统数据集中很少能进行的独特任务。这些任务包括基于用户体验的点击预测、预测用户对各个目标的偏好、生成比例均衡的推荐结果，以及预测用户对各个目标的满足程度及其整体满意度。该数据集可在以下链接获取：https://osf.io/wsakx。