[论文解读] A Broad Learning Approach for Context-Aware Mobile Application Recommendation

Tingting Liang, Lifang He+4 more|arXiv (Cornell University)|Sep 11, 2017

Tensor decomposition and applications参考文献 15被引用 5

一句话总结

本文提出CATA，一种基于Tucker张量分解的广义学习方法，用于建模用户偏好、应用类别及多视角特征（如权限、描述）之间的全阶交互关系，实现上下文感知的移动应用推荐。该方法通过联合学习类别特定表征并应用组ℓ₁-范数正则化来捕捉各视角的特征重要性，从而在两个真实世界数据集上优于最先进基线方法，实现更优的评分预测性能。

ABSTRACT

With the rapid development of mobile apps, the availability of a large number of mobile apps in application stores brings challenge to locate appropriate apps for users. Providing accurate mobile app recommendation for users becomes an imperative task. Conventional approaches mainly focus on learning users' preferences and app features to predict the user-app ratings. However, most of them did not consider the interactions among the context information of apps. To address this issue, we propose a broad learning approach for extbf{C}ontext- extbf{A}ware app recommendation with extbf{T}ensor extbf{A}nalysis (CATA). Specifically, we utilize a tensor-based framework to effectively integrate user's preference, app category information and multi-view features to facilitate the performance of app rating prediction. The multidimensional structure is employed to capture the hidden relationships between multiple app categories with multi-view features. We develop an efficient factorization method which applies Tucker decomposition to learn the full-order interactions within multiple categories and features. Furthermore, we employ a group $\ell_{1}-$norm regularization to learn the group-wise feature importance of each view with respect to each app category. Experiments on two real-world mobile app datasets demonstrate the effectiveness of the proposed method.

研究动机与目标

• 解决因对用户偏好、应用类别及多视角特征之间复杂交互关系建模不足而导致的移动应用推荐不准确问题。
• 克服传统方法将特征孤立处理或仅使用一阶交互的局限性。
• 构建统一框架，捕捉多个应用类别与特征视角之间的全阶（一阶、二阶、三阶）交互关系。
• 通过张量分解学习类别特定表征与特征重要性，提升评分预测准确性。
• 引入组ℓ₁-范数正则化，识别并优先考虑各应用类别下的相关特征，增强模型可解释性与性能。

提出的方法

• 将用户-应用评分预测建模为张量分解问题，其中张量编码用户、应用类别与多视角特征（如权限、描述）之间的交互关系。
• 应用Tucker分解以学习低秩核心张量与因子矩阵，实现在不显式构建高维张量的前提下高效建模全阶交互关系。
• 使用全局类别特定权重矩阵D表示各应用类别下特征视角的重要性，通过组ℓ₁-范数正则化学习，以促进稀疏性与视角相关性。
• 将目标函数表述为张量重建损失与正则化项的组合，通过交替最小二乘法进行优化。
• 将用户偏好、应用类别信息及多视角特征（如文本、权限相关）整合到统一张量结构中，以捕捉潜在相关性。
• 基于Google Play数据的实证分析，验证了在应用推荐中建模复杂、类别依赖的特征交互的必要性。

实验结果

研究问题

• RQ1 多个应用类别与多视角特征之间的全阶交互关系如何影响移动应用评分预测的准确性？
• RQ2 Tucker张量分解在上下文感知应用推荐中，多大程度上能有效建模复杂、高阶的交互关系？
• RQ3 组ℓ₁-范数正则化如何通过识别类别特定的特征重要性来改善特征选择与模型性能？
• RQ4 不同阶次的交互关系（一阶、二阶、三阶）对最终推荐准确性的相对贡献如何？
• RQ5 所提出的CATA模型对超参数设置（尤其是β（正则化强度）和α（学习率））的鲁棒性如何？
• RQ6 该模型在多样化用户行为与应用类别下是否具备良好的泛化能力，特别是在冷启动或低流行度场景中？

主要发现

• 所提出的CATA模型在两个真实世界移动应用数据集（Google Play与Apple App Store）上的评分预测准确性显著优于最先进基线方法。
• 引入全阶交互关系（最高至三阶）可显著提升预测性能，其中三阶交互关系在检测不一致或异常应用特征方面尤为具有信息量。
• 敏感性分析表明，较大的β值（正则化强度）可获得更优性能，表明类别与视角之间的全阶交互关系比低阶项更为关键。
• 组ℓ₁-范数正则化能有效识别并优先选择各应用类别下的相关特征视角，提升模型可解释性并减少无关特征带来的噪声。
• 实证分析证实，用户下载行为与特征相关性在不同应用类别间存在显著差异，从而验证了类别特定建模的必要性。
• 与基线方法相比，该模型在RMSE与MAE指标上均表现更优，且在同时应用张量分解与组正则化时达到最佳性能。