[论文解读] Beyond Personalization: Social Content Recommendation for Creator Equality and Consumer Satisfaction

Wenyi Xiao, Huan Zhao+4 more|arXiv (Cornell University)|May 28, 2019

Recommender Systems and Techniques参考文献 29被引用 9

一句话总结

本文提出社交探索注意力网络（SEAN），一种内容推荐模型，通过基于蒙特卡洛树搜索的探索机制，利用高阶社交关系提升创作者公平性与用户满意度。与最先进基线模型相比，SEAN在F1分数（43.12）和基尼系数（0.27）上均表现出更优性能，实现了去中心化平台（如Steemit）上个性化推荐与创作者公平曝光之间的平衡。

ABSTRACT

An effective content recommendation in modern social media platforms should benefit both creators to bring genuine benefits to them and consumers to help them get really interesting content. In this paper, we propose a model called Social Explorative Attention Network (SEAN) for content recommendation. SEAN uses a personalized content recommendation model to encourage personal interests driven recommendation. Moreover, SEAN allows the personalization factors to attend to users' higher-order friends on the social network to improve the accuracy and diversity of recommendation results. Constructing two datasets from a popular decentralized content distribution platform, Steemit, we compare SEAN with state-of-the-art CF and content based recommendation approaches. Experimental results demonstrate the effectiveness of SEAN in terms of both Gini coefficients for recommendation equality and F1 scores for recommendation performance.

研究动机与目标

• 为解决社交媒体平台上内容曝光不均的问题，即新创作者或小众创作者因‘马太效应’而处于不利地位。
• 设计一种推荐系统，同时提升用户满意度并促进内容创作者可见性的公平性。
• 超越传统个性化推荐模型，避免过度优先用户兴趣而牺牲创作者多样性。
• 将社交网络结构的利用拓展至一阶好友之外，以提升推荐的多样性与公平性。
• 基于Steemit的真实世界数据，评估推荐性能（F1）与创作者公平性（基尼系数）之间的权衡。

提出的方法

• SEAN采用个性化内容推荐模型，通过社交注意力机制关注社交网络中的高阶好友。
• 采用蒙特卡洛树搜索（MCTS）框架，平衡对较不受欢迎用户（探索）与对可信好友（利用）的推荐。
• 模型引入一种束搜索机制，通过权衡常数λ控制好友选择中探索与利用的平衡。
• 社交注意力机制使个性化因素能够关注高阶好友，从而提升推荐的多样性与准确性。
• 对搜索深度L和束宽B等超参数进行调优，以优化性能与可扩展性。
• 该框架在从去中心化内容平台Steemit收集的两个真实世界数据集上进行训练与评估。

实验结果

研究问题

• RQ1 推荐模型能否同时提升用户满意度与创作者公平性？
• RQ2 利用高阶社交关系如何影响推荐的公平性与性能？
• RQ3 在社交内容推荐中，探索（多样性）与利用（准确性）之间的最优权衡是什么？
• RQ4 SEAN在F1分数与基尼系数方面相较于最先进协同过滤（CF）与基于内容的模型表现如何？
• RQ5 基于MCTS的探索机制在多大程度上缓解了内容推荐中的‘马太效应’？

主要发现

• SEAN取得43.12的F1分数，优于最先进模型NCF（F1=42.14）与DKN（F1=42.85）。
• SEAN将基尼系数降低至0.27，表明内容创作者曝光公平性显著优于NCF（基尼=0.35）与DKN（基尼=0.32）。
• 最优权衡常数λ被确定为1，在所有评估方法中均能有效平衡探索与利用。
• 束宽B=4时性能最佳，表明适度的探索深度可提升推荐质量。
• SEAN的训练时间随搜索深度L与束宽B线性增长，表现出良好的可扩展性。
• 该模型在不同超参数设置下表现稳健，对基尼系数影响极小，且F1分数持续提升。