你知道自己会喜欢什么：人们对自己评分的预测优于推荐系统

推荐系统通常从人们已做的事情中学习他们想要什么。平台也可以直接询问人们，但询问成本高昂：在我们数据中，98.8% 的提示未获回应。统计预测理论意味着，一个人自己的预测对于由许多人行为构建的推荐算法而言贡献甚微。分散知识理论则意味着，人们掌握着关于自身品味而数据所缺乏的信息。我们用 MovieLens Beliefs 数据集检验这两种理论。在 2023-2024 年，一个首页提示询问成员，他们预期会如何评价自己说没看过的电影。在 26,020 条此类预期中，有 277 名成员的 551 条预期在至少一天后得到了评分。我们将每条预期与四个基准进行比较：平台自身的预测评分、两个协同过滤模型（矩阵分解和物品邻域），以及一个在其他成员结果上训练的堆叠模型。训练模型使用每位成员最新的评分。人们预测自己评分的准确度高于所有四个基准（相关系数 0.69，而 MovieLens 为 0.34，训练推荐器为 0.54 至 0.59）。在所有机器预测和特征之上加入该预期，可将样本外均方误差降低 26%。当模型在较早预期上训练并在较晚预期上测试时，这一增益依然成立。成员对其他电影的较早预期不能替代当前预期。在对成员自己的电影进行排序时，训练推荐器与本人统计上无法区分。对于评分众多的高龄电影，机器表现同样好或更好。结果调和了两种理论：在数据丰富之处，群体数据已足够，而个人则添加了关于特定物品的信息。我们由此得出偏好 elicitation 与推荐器评估的四项设计原则。

中文由 AI 翻译，仅供参考，以原文为准。