[论文解读] A Flexible Recommendation System for Cable TV

Diogo Gonçalves, Miguel Costa+1 more|arXiv (Cornell University)|Sep 8, 2016

Recommender Systems and Techniques参考文献 24被引用 7

一句话总结

本文提出了一种用于有线电视的基于学习排序的推荐系统，利用上下文信息和隐式反馈，以提升直播和回看电视服务中的准确性、多样性及意外发现性。在欧洲某有线运营商提供的大规模真实世界数据集上进行评估，该方法在准确性方面优于最先进基于视频点播（VOD）的算法，达到NDCG@5为0.355，并保持了较高的多样性和新颖性，尤其在新节目方面表现突出。

ABSTRACT

Recommendation systems are being explored by Cable TV operators to improve user satisfaction with services, such as Live TV and Video on Demand (VOD) services. More recently, Catch-up TV has been introduced, allowing users to watch recent broadcast content whenever they want to. These services give users a large set of options from which they can choose from, creating an information overflow problem. Thus, recommendation systems arise as essential tools to solve this problem by helping users in their selection, which increases not only user satisfaction but also user engagement and content consumption. In this paper we present a learning to rank approach that uses contextual information and implicit feedback to improve recommendation systems for a Cable TV operator that provides Live and Catch-up TV services. We compare our approach with existing state-of-the-art algorithms and show that our approach is superior in accuracy, while maintaining high scores of diversity and serendipity.

研究动机与目标

• 解决由于直播、回看和点播服务中数以千计的节目导致的有线电视信息过载问题。
• 提升直播和回看电视推荐的准确性与多样性，尽管这些服务在用户观看时间中占主导地位，但相较于点播服务，相关研究仍显不足。
• 开发一种灵活的推荐系统，通过隐式反馈和上下文数据平衡准确性、多样性、新颖性与意外发现性。
• 通过多目标优化，实现基于用户偏好和业务目标的动态再排序。

提出的方法

• 该系统采用基于隐式反馈（例如观看超过50%的节目）和上下文特征（如一天中的时间、节目类型和用户行为模式）训练的基于学习排序框架。
• 上下文特征源自对用户行为的前期分析，从而在个性化推荐中超越简单的流行度或基于内容的过滤方法。
• 引入一种多目标再排序策略，以优化自定义目标函数，平衡准确性、多样性（ILD）和意外发现性（Seren）。
• 该方法采用一种贪心再排序算法，在保持多个指标高性能的同时最大化目标函数。
• 模型在来自欧洲有线电视运营商的大规模真实世界数据集上进行训练与评估，涵盖直播和回看电视的观看行为。
• 系统使用后处理过滤，确保仅推荐正在直播或最近播出的节目，以匹配实时可用性。

实验结果

研究问题

• RQ1 基于隐式反馈和上下文数据的基于学习排序方法，是否能在直播和回看电视中超越传统的基于点播的推荐算法？
• RQ2 与最先进方法相比，所提出的系统在准确性、多样性、新颖性和意外发现性方面的表现如何？
• RQ3 在时间受限、动态变化的电视环境中，能否有效利用短时观看会话的隐式反馈来改善推荐？
• RQ4 灵活的再排序机制能否有效平衡不同用户偏好的准确性与多样性等相互竞争的目标？

主要发现

• 基于学习排序（L2R）方法在直播电视中实现了NDCG@5为0.355和NDCG@10为0.302，显著优于协同过滤和基于内容的方法。
• 对于新节目（从未观看过的节目），L2R在NDCG@5达到0.115，NDCG@10达到0.081，尽管面临冷启动问题，仍表现出色。
• 当观看阈值放宽至10分钟时，NDCG@5提升至0.296，NDCG@10提升至0.250，表明更长的观看时间反映了更强的偏好。
• GreedyRec算法通过在多样性和新颖性之间取得平衡，实现了最佳目标函数得分（前5名的得分为0.621），尽管准确性略有下降。
• L2R保持了较高的多样性（ILD@5 = 0.683）和意外发现性（Seren@5 = 0.870），在这些指标上优于UserPopular和随机基线方法。
• 利用直播电视数据改进回看电视推荐，使NDCG@5提升4%，NDCG@10提升7%，表明不同服务间存在良好的数据可迁移性。