AntRS与自动排行榜生成系统：推荐与排名的创新探索

### AntRS 与自动排行榜生成系统：推荐与排名的创新探索 在当今信息爆炸的时代，无论是音乐推荐系统还是学术研究中的排行榜生成，都面临着诸多挑战。本文将深入探讨 AntRS 多目标蚁群系统在音乐推荐列表生成方面的应用，以及自动早期排行榜生成系统在学术研究中的创新实践。 #### AntRS：多目标蚁群系统的音乐推荐 AntRS 是一种多目标蚁群系统，旨在通过综合考虑多个目标，为用户生成高质量的音乐推荐列表。 ##### 数据与指标 - **数据特征**：每首曲目由 Deezer 提供的多种元数据描述，包括歌曲名称、艺术家名称、专辑名称、音乐流派、相关艺术家以及一些数值特征，如声学性、可舞性、能量、乐器性、现场感、响度、语音度、节奏和情感等。这些特征被用于实现四个不同蚁群的指标。 - **指标转换**：为了将用户的咨询信息（如咨询时长、频率和近期性等元数据）转换为可用于协同过滤算法（如 UserKNN、TrustMF、SVD++）的评分，使用了特定公式。 ##### 实验协议 - **实验设置**：为了公平比较不同模型和配置的性能，设置了相同的起始和停止条件，并使用相同的数据进行所有实验。实验在交叉验证数据集上进行，每次使用 400 个用户的训练集和 100 个用户的测试集。 - **推荐过程**：对于测试集用户的每个聆听会话，每个算法生成一个推荐列表，并与初始聆听会话进行比较。推荐列表的第一个项目作为起始点，最后一个项目不提供，但如果算法在推荐过程中到达该项目，则停止推荐。推荐列表的最小大小为初始聆听会话大小的一半。推荐完成后，将初始聆听会话添加到训练集中，以模拟真实场景。 - **评估指标**：使用多种指标来评估推荐质量，包括精度、召回率、F - 度量、相似度、列表内相似度、多样性、相对多样性、新颖性和偏好等。 ##### 实验结果 - **单目标实验**：对四个不同目标分别进行了测试，结果表明每个蚁群都能生成专注于单一目标的列表。例如，相似度蚁群生成的列表与其他蚁群相比最为相似，新颖性蚁群生成的列表最为新颖。 | 蚁群 | 精度 | 召回率 | F - 度量 | 相似度 | 列表内相似度 | 多样性 | 相对多样性 | 新颖性 | 偏好 | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | 相似度蚁群 | 0.317 | 0.126 | 0.165 | 0.952 | 0.923 | 0.048*** | 0.049*** | 0.72*** | 0.447*** | | 多样性蚁群 | 0.211 | 0.104 | 0.127 | 0.862*** | 0.77*** | 0.138 | 0.19 | 0.806*** | 0.393*** | | 新颖性蚁群 | 0.132 | 0.112 | 0.114 | 0.895*** | 0.837*** | 0.105*** | 0.144*** | 0.909 | 0.379*** | | 偏好蚁群 | 0.296 | 0.159 | 0.191 | 0.946*** | 0.91*** | 0.054*** | 0.08*** | 0.695*** | 0.804 | - **多目标实验**：提出并测试了两种合并策略，将四个目标的结果进行合并。实验结果表明，AntRS 的两种变体在精度、召回率和 F - 度量方面表现最佳，能够更好地捕捉用户的偏好。同时，AntRS 在偏好和新颖性指标上也优于其他模型，并且在相似度和多样性方面保持了较好的平衡。 | 模型 | 精度 | 召回率 | F - 度量 | 相似度 | 列表内相似度 | 多样性 | 相对多样性 | 新颖性 | 偏好 | 覆盖率 | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | AntRS (4 蚁群 + 列表合并) | 0.34