Ensemble Boost: Greedy Selection for Superior Recommender Systems

集成技术在各个领域通过聚合多个模型的预测结果已经取得了显著的成功 [1]。在推荐系统领域，本研究探讨了将集成技术应用于提高推荐质量的可能性。具体而言，我们提出了一种新颖的方法，将来自十个不同推荐模型的前k个推荐结果结合起来，从而使用这种新的集成技术得到更好的前n个推荐结果。我们的方法采用了贪婪集成选择（GES）策略，有效地利用了多个模型的集体智慧。我们在五个不同的数据集上进行实验，以评估我们方法的有效性。使用NDCG度量标准在五个数据集上进行的评估结果表明，与单个最佳模型相比，我们的方法在所有数据集上都显著提高了推荐准确性。此外，与现有模型的全面比较凸显了我们的集成方法在提高推荐质量方面的功效。与基准推荐模型相比，我们的集成方法在不同的NDCG@N指标和五个数据集上平均提高了21.67％。本研究为基于集成的推荐系统的发展做出了贡献，提供了将不同的推荐策略结合起来以提高用户体验和满意度的潜力。通过提出一种新颖的方法并证明其优于现有方法，我们旨在激发在该领域进行进一步探索和创新的灵感。

本论文旨在探索集成学习技术在推荐系统中的应用，提高推荐质量。

通过将十种不同的推荐模型的前k个推荐结果进行集成，提高推荐系统的准确性和用户满意度。使用贪心集成选择策略，利用多个模型的集体智慧。

本论文通过在五个不同数据集上使用NDCG指标进行评估，证明了该方法相比于单一最佳模型在推荐准确性上的显著提高。平均而言，该方法在不同的NDCG@N指标和五个数据集上提高了21.67%。本文的贡献是提出了一种新的集成推荐系统方法，并证明了其优于现有方法，为推荐系统领域的发展提供了新思路。

最近在这个领域中，还有一些相关研究，如《Collaborative Filtering with Temporal Dynamics》、《Factorization Machines》等。