[论文解读] A Synthetic Approach for Recommendation: Combining Ratings, Social Relations, and Reviews

Guangneng Hu, Xinyu Dai+3 more|arXiv (Cornell University)|Jan 11, 2016

Recommender Systems and Techniques参考文献 32被引用 37

一句话总结

本文提出MR3，一种统一框架，通过将社交矩阵分解中的潜在因子与主题模型中的隐藏主题对齐，联合建模用户评分、社交关系和商品评论。该方法通过有效融合异构数据源，显著提升了评分预测的准确性，在Epinions和Ciao等真实数据集上的实验表明性能有显著提升。

ABSTRACT

Recommender systems (RSs) provide an effective way of alleviating the information overload problem by selecting personalized choices. Online social networks and user-generated content provide diverse sources for recommendation beyond ratings, which present opportunities as well as challenges for traditional RSs. Although social matrix factorization (Social MF) can integrate ratings with social relations and topic matrix factorization can integrate ratings with item reviews, both of them ignore some useful information. In this paper, we investigate the effective data fusion by combining the two approaches, in two steps. First, we extend Social MF to exploit the graph structure of neighbors. Second, we propose a novel framework MR3 to jointly model these three types of information effectively for rating prediction by aligning latent factors and hidden topics. We achieve more accurate rating prediction on two real-life datasets. Furthermore, we measure the contribution of each data source to the proposed framework.

研究动机与目标

• 解决现有推荐系统仅依赖评分数据的局限性，通过整合社交关系和商品评论等互补数据源。
• 通过引入社交影响和文本内容，缓解协同过滤中的数据稀疏性和冷启动问题。
• 构建一个统一框架，紧密整合社交结构与评论语义信息，实现与评分预测的联合建模，避免对多种数据类型进行分离建模。
• 探究评分、社交关系和评论等各数据源对整体推荐性能的相对贡献。

提出的方法

• 扩展社交矩阵分解（Social MF），以利用用户社交网络的图结构，增强对社交影响的建模，超越简单的用户相似性。
• 提出一种新框架MR3，通过将Social MF中的潜在因子与主题模型中的隐藏主题对齐，联合建模评分、社交关系和商品评论。
• 采用统一的目标函数，结合评分预测、社交关系建模和主题建模，并引入正则化项以控制各组件的影响。
• 应用潜在因子对齐，确保用户偏好和商品属性在三种数据模态中保持一致的表示。
• 使用交替最小二乘法（ALS）优化模型，联合学习用户和商品的表示，同时保持计算效率。
• 引入超参数λ_rel和λ_rev以控制社交信息与评论信息的相对贡献，支持敏感性分析与模型调优。

实验结果

研究问题

• RQ1 如何有效融合社交关系与商品评论数据，以提升推荐准确率？
• RQ2 在混合推荐系统中，社交关系与评论对性能的相对贡献如何？
• RQ3 将社交矩阵分解的潜在因子与主题模型的主题对齐，是否能带来比孤立建模更优的评分预测效果？
• RQ4 所提出的框架对超参数（如潜在因子数量和正则化权重）的敏感性如何？
• RQ5 多源数据融合是否能缓解协同过滤中的冷启动与数据稀疏问题？

主要发现

• MR3框架在基线模型上实现显著性能提升，当在Epinions数据集中同时移除社交与评论信息时，RMSE相对降低7.99%。
• 仅移除社交关系即导致Epinions数据集上RMSE相对增加4.29%，表明社交影响包含对准确预测至关重要的信息。
• 仅移除评论信息在Epinions数据集上导致RMSE相对增加1.19%，表明评论中的文本内容对推荐质量有显著贡献。
• 模型对潜在因子数量F的变化具有鲁棒性，在F = 5至100范围内性能稳定，F = 10时达到最优稳定性。
• 模型对超参数λ_rel与λ_rev在[0.0001, 0.1]范围内敏感度较低，最优值分别为λ_rel = 0.001与λ_rev = 0.05。
• 当社交与评论组件均被禁用时，RMSE达到1.1502，证实三类数据源的联合使用对实现最佳性能至关重要。