Rethinking Recommender Systems: Cluster-based Algorithm Selection

聚类算法选择是指在用户群集上选择推荐算法以获得性能提升。目前还没有针对许多聚类方法和推荐算法组合进行研究。我们想要表明，在算法选择之前对用户进行聚类可以提高推荐算法的性能。我们的研究涵盖了8个数据集、4种聚类方法和8种推荐算法。我们为每个聚类选择最佳表现的推荐算法。我们的研究表明，基于聚类的算法选择是一种优化推荐算法性能的有效技术。对于8个数据集中的5个，我们报告了nDCG@10的提高，相比于没有聚类的算法选择，提高了19.28%（0.032）到360.38%（0.191）。

研究主题是聚类算法选择在推荐系统中的应用。论文旨在证明在算法选择之前进行用户聚类可以提高推荐算法的性能。

通过将用户聚类并为每个聚类选择最佳推荐算法，可以提高推荐算法的性能。

论文涵盖了8个数据集，4种聚类方法和8种推荐算法。研究表明，在5个数据集中，相比于没有聚类的算法选择，nDCG@10的性能提高了19.28%至360.38%。

相关研究包括推荐系统中的聚类算法选择、推荐算法的性能优化等。