Improving Relevance in a Recommendation System to Suggest Charities without Explicit User Profiles Using Dual-Autoencoders
Notice bibliographique
Résumé
This work explores the effect of the quality of inferred user profiles on the accuracy of charitable recommendations when using an item-based collaborative filter algorithm. A gap was identified in the literature with respect to the application of charitable recom-mendation systems in the absence of rich user profiles. This paper introduces an approach to generate relevant recommendations when neither user profiles nor feedback on donation preferences is available. The discovery of user preferences is achieved via the construction of implicit ratings computed from custom feature engineering, while the sparsity of item and user ratings was addressed with a dimension reduction strategy based on dual-autoencoders from a commercial machine learning platform. Our analysis shows the magnitude and sensitivity of the relationship between the relevance of the recommendations and the average number of donations per user. Raw data for this research was provided by a leading online donation platform and contains 24 million anonymous donations to 165 thousand unique causes from over 1.2 million users. We find that the most effective way to increase the relevance of recommendations by a factor of 2 at any top- k value is to train the collaborative filter with users that have at least 50 donations in the data set. As a result, the training set for the collaborative filter is restricted to 8% of the original users, 70% of the companies, 49% of the causes, and 70% of the original countries where users making donations reside.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».