ترجمه فارسی مقاله به سمت ارزیابی های منصفانه و سخت: بهینه سازی هایپرپارامتر برای کار توصیه N-N با بازخورد ضمنی

چکیده

The widespread use of the internet has led to an overwhelming amount of data, which has resulted in the problem of information overload. Recommender systems have emerged as a solution to this problem by providing personalized recommendations to users based on their preferences and historical data. However, as recommendation models become increasingly complex, finding the best hyperparameter combination for different models has become a challenge. The high-dimensional hyperparameter search space poses numerous challenges for researchers, and failure to disclose hyperparameter settings may impede the reproducibility of research results. In this paper, we investigate the Top-N implicit recommendation problem and focus on optimizing the benchmark recommendation algorithm commonly used in comparative experiments using hyperparameter optimization algorithms. We propose a research methodology that follows the principles of a fair comparison, employing seven types of hyperparameter search algorithms to fine-tune six common recommendation algorithms on three datasets. We have identified the most suitable hyperparameter search algorithms for various recommendation algorithms on different types of datasets as a reference for later study. This study contributes to algorithmic research in recommender systems based on hyperparameter optimization, providing a fair basis for comparison.

چکیده به فارسی (ترجمه ماشینی)

استفاده گسترده از اینترنت منجر به مقدار زیادی از داده ها شده است که منجر به مشکل اضافه بار اطلاعات شده است.سیستم های پیشنهادی با ارائه توصیه های شخصی به کاربران بر اساس ترجیحات و داده های تاریخی ، به عنوان راه حلی برای این مشکل پدید آمده اند.با این حال ، از آنجا که مدل های توصیه به طور فزاینده ای پیچیده می شوند ، یافتن بهترین ترکیب هایپرپارامتر برای مدلهای مختلف به یک چالش تبدیل شده است.فضای جستجوی هایپرپارامتر با ابعاد بالا چالش های بی شماری را برای محققان ایجاد می کند ، و عدم افشای تنظیمات هایپرپارامتر ممکن است مانع از تکرارپذیری نتایج تحقیق شود.در این مقاله ، ما مسئله توصیه ضمنی N را بررسی می کنیم و بر بهینه سازی الگوریتم توصیه معیار که معمولاً در آزمایشات مقایسه ای با استفاده از الگوریتم های بهینه سازی هایپرپارامتر استفاده می شود ، تمرکز می کنیم.ما یک روش تحقیق را پیشنهاد می کنیم که از اصول مقایسه عادلانه پیروی می کند ، و از هفت نوع الگوریتم جستجوی هایپرپارامتر برای تنظیم دقیق شش الگوریتم توصیه مشترک در سه مجموعه داده استفاده می کنیم.ما مناسب ترین الگوریتم های جستجوی HyperParameter را برای الگوریتم های توصیه های مختلف در مورد انواع مختلف مجموعه داده ها به عنوان مرجع برای مطالعه بعدی شناسایی کرده ایم.این مطالعه به تحقیقات الگوریتمی در سیستم های پیشنهادی بر اساس بهینه سازی هایپرپارامتر کمک می کند و پایه ای عادلانه برای مقایسه فراهم می کند.