[论文解读] An Adjustable Heat Conduction based KNN Approach for Session-based Recommendation

Huifeng Guo, Ruiming Tang+3 more|arXiv (Cornell University)|Jul 16, 2018

Recommender Systems and Techniques参考文献 24被引用 6

一句话总结

本文提出了一种基于可调热传导的K近邻（KNN）方法用于会话推荐，通过扩散相似性方法（DSM）和一种新颖的候选选择策略（EPCSR）改进了相似性度量。通过引入超参数λ和β来整合物品流行度与会话长度，并确保候选会话中近期点击的表示均衡，该方法在基准数据集上的HR@20指标上相比先前的KNN方法最高提升了10.6%，实现了最先进性能。

ABSTRACT

The KNN approach, which is widely used in recommender systems because of its efficiency, robustness and interpretability, is proposed for session-based recommendation recently and outperforms recurrent neural network models. It captures the most recent co-occurrence information of items by considering the interaction time. However, it neglects the co-occurrence information of items in the historical behavior which is interacted earlier and cannot discriminate the impact of items and sessions with different popularity. Due to these observations, this paper presents a new contextual KNN approach to address these issues for session-based recommendation. Specifically, a diffusion-based similarity method is proposed for considering the popularity of vertices in session-item bipartite network, and a candidate selection method is proposed to capture the items that are co-occurred with different historical clicked items in the same session efficiently. Comprehensive experiments are conducted to demonstrate the effectiveness of our KNN approach over the state-of-the-art KNN approach for session-based recommendation on three benchmark datasets.

研究动机与目标

• 解决现有KNN方法在会话推荐中的局限性，特别是其无法考虑物品流行度及相关会话选择不平衡的问题。
• 通过在会话-物品二分图中建模扩散过程，同时考虑物品流行度与会话长度，改进会话相似性度量。
• 通过确保当前会话中每个点击的相关会话在候选集中成比例表示，提升候选选择策略。
• 相比最先进基于KNN的会话推荐方法，在准确率与多样性方面实现更优性能。

提出的方法

• 提出一种基于扩散的相似性方法（DSM），通过将会话-物品二分图建模为扩散过程来计算会话相似性，其中包含控制会话长度影响的参数λ和控制物品流行度影响的参数β。
• 引入一种名为EPCSR（带比例控制的增强型比例候选选择）的候选选择策略，确保当前会话中每个点击的相关会话在候选集中成比例地被表示。
• 使用热传导类比来模拟会话-物品图中的信息扩散，热能从活跃物品向会话传播并返回，从而捕捉共现模式。
• 在KNN框架中应用DSM相似性度量，基于DSM得分选择与当前会话最接近的K个会话作为候选。
• 通过EPCSR对候选集进行优化，调整当前会话中每个点击对最终相似性计算的贡献。
• 通过消融实验优化超参数λ和β，以在准确率与多样性之间取得平衡，最终选定λ=0.5和β=0.5为最优设置。

实验结果

研究问题

• RQ1 基于扩散的相似性方法是否能通过在会话推荐中引入物品流行度与会话长度来改进会话相似性度量？
• RQ2 一种能保持当前会话中不同点击成比例表示的候选选择策略，是否能带来更优的会话推荐性能？
• RQ3 超参数λ（会话长度影响）与β（物品流行度影响）如何影响准确率与多样性的权衡？
• RQ4 所提出的DSM与EPCSR策略是否能在HR@20、MRR@20与Coverage@20指标上超越最先进基于KNN的会话推荐方法（CKNN-cosine-Original）？

主要发现

• 在RSC数据集上，所提出的CKNN-DSM(0.5,0.5)-EPCSR方法相比CKNN-cosine-Original在HR@20上实现了10.6%的提升，RSCW上提升7.4%，Atom上提升5.9%。
• 在RSC数据集上，该方法相比最先进KNN方法在MRR@20上提升了7.1%；在RSCW上提升8.8%，在Atom上Coverage@20提升了36.6%。
• 最优超参数设置为λ=0.5与β=0.5，该设置在准确率与多样性之间实现最佳平衡，使所有数据集上的HR@20与MRR@20达到最高值。
• 当β=0.5与λ=0.5时，DSM相似性方法表现最佳，HR@20与MRR@20在此处达到峰值；而Coverage@20随β增加而提升，但当β>0.5时其他指标性能下降。
• EPCSR策略相比原始候选选择方法显著提升性能，在RSC上HR@20提升7.4%，RSCW上提升6.7%，Atom上提升1.4%。
• IKNN基线表现较差，因其忽略了上下文信息，所有数据集上的HR@20均低于0.52，证实了上下文感知相似性与候选选择的必要性。