[论文解读] A spreading activation approach for collaborative filtering

Jian-Guo Liu|arXiv (Cornell University)|Dec 26, 2007

Opinion Dynamics and Social Influence被引用 1

一句话总结

本文提出了一种基于传播激活的协同过滤方法（SA-CF），通过建模用户相似性来提升推荐准确性，其性能优于基于皮尔逊相关系数的标准协同过滤方法。通过调节自由参数 β 以降低热门项目的影响，并仅将计算限制在前 N 名邻居内，SA-CF 在计算复杂度更低的情况下实现了更高的准确性。

ABSTRACT

In this paper, we propose a spreading activation approach for collaborative filtering (SA-CF). By using the opinion spreading process, the similarity between any users can be obtained. The algorithm has remarkably higher accuracy than the standard collaborative filtering (CF) using Pearson correlation. Furthermore, we introduce a free parameter $\beta$ to regulate the contributions of objects to user-user correlations. The numerical results indicate that decreasing the influence of popular objects can further improve the algorithmic accuracy and personality. We argue that a better algorithm should simultaneously require less computation and generate higher accuracy. Accordingly, we further propose an algorithm involving only the top-$N$ similar neighbors for each target user, which has both less computational complexity and higher algorithmic accuracy.

研究动机与目标

• 解决标准协同过滤在捕捉用户-项目关系细微差别的局限性。
• 在皮尔逊相关系数相似度度量之外提升推荐准确性。
• 在不牺牲预测质量的前提下降低计算复杂度。
• 开发一种能够动态调整热门项目对用户相似性影响的方法。

提出的方法

• 通过传播激活过程建模用户-用户相似性，模拟意见在项目间的传播。
• 引入一个自由参数 β 以控制热门项目对用户-用户相关性的影响。
• 将用户相似性表述为激活项目状态的函数，其中激活从项目向用户根据交互行为传播。
• 仅将邻居集合限制为每个目标用户最相似的前 N 名用户，以降低计算负载。
• 使用前 N 名邻居进行最终预测，确保可扩展性和效率。
• 通过调节 β 和 N 优化准确性与计算成本之间的平衡。

实验结果

研究问题

• RQ1 传播激活机制是否能超越传统皮尔逊相关系数，在协同过滤中提升准确性？
• RQ2 通过参数 β 调整热门项目的影响，对推荐准确性和个性化程度有何影响？
• RQ3 将邻居集合限制为最相似的前 N 名用户，能在多大程度上降低计算复杂度，同时保持或提升准确性？
• RQ4 所提出的方法是否在准确性与效率之间实现了优于标准协同过滤的更好权衡？

主要发现

• SA-CF 算法在准确性上显著优于使用皮尔逊相关系数的标准协同过滤方法。
• 通过参数 β 降低热门项目的影响，可提升算法准确性并增强个性化效果。
• 仅对最相似的前 N 名用户进行邻居计算，可降低计算复杂度，同时保持或提升准确性。
• 传播激活与前 N 名邻居选择的结合，使推荐系统更加高效且准确。