Exploiting the long tail recommending less of more, nearest neighbors matrix factorization

Recommender Systems provide users with personalized suggestions for products or services. Collaborative Filtering (CF) algorithms leverage past user-item interactions to provide recommendations. Matrix Factorization (MF) is a well known family of CF algorithms. MF maps both users and items to a joint latent factor space where high correspondence between item and user vectors leads to a recommendation. In this thesis we introduce Nearest Neighbors Matrix Factorization (NNMF). NNMF is a new family of CF algorithms which extends MF by means of similarity information among users and among items. NNMF aims at overcoming some known problems affecting MF algorithms, like the bias towards the popular items and the instability of the recommendations. The results of the experiments conducted in a wide variety of research datasets show that NNMF effectively reduces the popularity bias, guaranteeing steady increments in beyond accuracy metrics, and providing, at the same time, more stable recommendations.

I Sistemi di Raccomandazione assolvono allo scopo di fornire suggerimenti personalizzati per gli utenti fruitori di piattaforme online. Tra i vari algoritmi, si distinguono quelli Collaborativi, i quali sfruttano solo le interazioni passate tra utenti e oggetti. Una famiglia di ben noti algoritmi Collaborativi sono i Matrix Factorization (MF). Questi costruiscono una rappresentazione di utenti e oggetti in uno spazio latente e sfruttano tale rappresentazione per fornire raccomandazioni. Con il nostro lavoro introduciamo una nuova famiglia di algoritmi Collaborativi chiamata Nearest Neighbors Matrix Factorization (NNMF). Essi estendono gli algoritmi MF tramite l'uso di informazioni di similarità tra utenti e tra oggetti. Gli algoritmi NNMF mirano a risolvere alcuni problemi che affligono gli algoritmi MF, come la tendenza a suggerire oggetti popolari o l'instabilità delle raccomandazioni. I risultati degli esperimenti condotti facendo uso di datasets di uso comune nel mondo accademico, rivelano che gli algoritmi NNMF sono in grado di colmare le lacune degli algoritmi MF, suggerendo un maggior numero di oggetti non popolari e risultando più stabili nelle raccomandazioni fornite.