Beyond Individual Recommendation - Aggregation Methods for Group Based Recommender Systems
Authors
Christensen, Lasse Drustrup ; Dalgaard, Lukas Nic
Term
4. term
Education
Publication year
2017
Submitted on
2017-06-02
Pages
13
Abstract
Denne afhandling undersøger, hvordan individuelle anbefalinger kan aggregeres til fælles beslutninger i gruppebaserede recommender-systemer. Vi fokuserer på anbefalingsaggregering af top‑k rangerede lister og sammenligner fire metoder—Borda Count, en Markov-kædevariant (med Copeland-heuristik), Spearman’s Footrule og Average. Individuelle anbefalinger beregnes med SVD++ fra MyMediaLite, og grupper (størrelser 4–40) dannes ud fra MovieLens 100K. Da der mangler et egentligt gruppedatasæt som ground truth, evaluerer vi de rangerede gruppelister med mål fra informationssøgning: nDCG (både baseret på rang og på ratings), Kendall Tau-distance og Spearman’s Footrule-distance. Vi replikerer og udvider tidligere arbejde til større grupper og finder, at Borda Count leverer den bedste samlede performance på tværs af mål, mens Markov Chain med Copeland-heuristik ligger tæt på. Kvaliteten falder generelt, når gruppestørrelsen øges, men faldet aftager markant og bliver næsten ubetydeligt efter cirka 20 deltagere. Projektet indledtes med et forsøg på at indsamle en menneskelig ground truth via en egenudviklet online-undersøgelse, men efter en uventet suspension på Mechanical Turk blev fokus omlagt til en bredere metrikbaseret evaluering.
This thesis examines how to combine individual recommendations into group decisions in group-based recommender systems. We focus on recommendation aggregation of ranked top‑k lists and compare four methods—Borda Count, a Markov chain variant (using a Copeland heuristic), Spearman’s Footrule, and Average. Individual recommendations are produced with SVD++ from MyMediaLite, and groups (sizes 4–40) are formed from the MovieLens 100K dataset. In the absence of a group ground truth, we evaluate the resulting group rankings with information retrieval measures: nDCG (using both ranks and ratings), Kendall Tau distance, and Spearman’s Footrule distance. Replicating and extending prior work to larger groups, we find that Borda Count performs best overall across measures, with the Markov chain approach close behind. Recommendation quality generally declines as group size increases, but the decrease becomes minimal beyond roughly 20 members. The project initially attempted to collect a human ground truth via a custom online survey, but after an unexpected Mechanical Turk suspension, the focus shifted to a broader metric-based evaluation.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents