ViHoRec: A Quality-Controlled Vietnamese Hotel Recommendation Dataset and Cold-Start Benchmark
ViHoRec：质量控制越南酒店推荐数据集与冷启动基准
🧭 低资源推荐数据集构建 · 冷启动评估
Faculty of Information Technology, University of Science, Ho Chi Minh City · Vietnam National University, Ho Chi Minh City
贡献面向低资源越南语的酒店推荐数据集，通过跨平台对齐、质量控制和冷启动基准揭示稀疏数据下的难题
📌 工作参考价值
- 跨平台实体对齐：电商/酒店业务涉及多数据源时，可借鉴论文的实体解析（Entity Resolution）方法，利用文本相似度与启发式规则统一不同来源的商品ID，构建统一交互。
- 冷启动策略选择：实验表明在极度稀疏、用户历史短的情况下，UserKNN优于BPR-MF等模型，提醒我们在新客/长尾场景下，基于邻域的协同过滤可能更稳定，可作为召回或兜底策略。
- 可复现的数据质量控制：论文采用可量化指标（如覆盖率、重复率、稀疏度）审计数据，而非人工清理，迁移到工业数据集构建时可设计类似的质量看板，确保数据迭代可追溯。
- 隐私合规发布：使用HMAC伪名化用户ID，既保护隐私又能维持可benchmark性，对于希望公开内部数据做学术合作的团队，提供了轻量级脱敏参考。
动机：越南语推荐系统缺乏公开的酒店交互数据，构建数据集面临跨平台名称对齐、可控质量审核、隐私保护下可基准化三大挑战。
方法关键点：
- 从Booking.com、Traveloka、Ivivu爬取交互，经跨平台实体解析统一酒店名，并结合定量指标（如覆盖率、重复率）进行质量控制。
- 采用HMAC伪名化处理用户ID，在保证隐私前提下生成可复现的公开数据集（18,267交互，6,832用户，560酒店）。
- 设计时间序列留一法冷启动基准，提供无外部依赖的基线（BPR-MF、UserKNN等），并通过数据消融分析稀疏性影响。
关键结果：
- 学习型模型在用户历史较短时性能骤降（BPR-MF Recall@10从0.120跌至0.065），而UserKNN整体最优。
- 数据集稀疏且冷启动主导，成为低资源场景的典型测试床，揭示冷启动下简单近邻方法更稳健。