[论文解读] Detecting Changes in User Preferences using Hidden Markov Models for Sequential Recommendation Tasks

Farzad Eskandanian, Bamshad Mobasher|arXiv (Cornell University)|Sep 29, 2018

Recommender Systems and Techniques参考文献 16被引用 10

一句话总结

该论文提出了一种基于隐马尔可夫模型（HMM）的框架，用于检测用户交互序列中的变化点，以提升序列推荐效果。通过识别用户偏好的转变，该方法利用分段矩阵分解或直接基于HMM的排序，显著提升了推荐准确性，在Spotify播放列表数据集上，HMMR模型在NDCG和精确率-召回率指标上均表现最佳。

ABSTRACT

Recommender systems help users find relevant items of interest based on the past preferences of those users. In many domains, however, the tastes and preferences of users change over time due to a variety of factors and recommender systems should capture these dynamics in user preferences in order to remain tuned to the most current interests of users. In this work we present a recommendation framework based on Hidden Markov Models (HMM) which takes into account the dynamics of user preferences. We propose a HMM-based approach to change point detection in the sequence of user interactions which reflect significant changes in preference according to the sequential behavior of all the users in the data. The proposed framework leverages the identified change points to generate recommendations in two ways. In one approach change points are used to create a sequence-aware non-negative matrix factorization model to generate recommendations that are aligned with the current tastes of user. In the second approach the HMM is used directly to generate recommendations taking into account the identified change points. These models are evaluated in terms of accuracy of change point detection and also the effectiveness of recommendations using a real music streaming dataset.

研究动机与目标

• 为解决传统推荐系统在捕捉随时间变化的用户偏好方面存在的局限性。
• 在缺乏显式上下文信号的情况下，检测用户行为序列中显著的转变点（即变化点）。
• 通过利用检测到的变化点，将推荐适配至用户当前的偏好，从而提升推荐准确性。
• 使用真实世界音乐流媒体数据，评估变化点检测的准确性与推荐效果的有效性。

提出的方法

• 使用隐马尔可夫模型（HMM）对用户交互序列进行建模，其中隐状态代表潜在的偏好状态。
• 应用扩展的Viterbi算法，基于隐状态之间的转移，检测用户交互序列中的变化点。
• 在检测到的变化点处对用户档案进行分段，并将分段结果输入非负矩阵分解（NMF）模型，用于序列推荐。
• 直接使用HMM的输出概率生成项目推荐，通过在不同偏好状态下建模项目出现的可能性。
• 采用位移误差（displacement error）评估变化点检测的准确性，真实标签来源于合成混合序列中的播放列表边界。
• 使用精确率、召回率和NDCG作为推荐效果的评估指标，其中NDCG为时间感知型，以反映时间维度上的排序性能。

实验结果

研究问题

• RQ1 基于HMM的变化点检测能否有效从序列交互数据中识别用户偏好的转变？
• RQ2 与静态模型相比，引入检测到的变化点后，序列推荐的准确性是否得到提升？
• RQ3 HMM中隐藏状态数量的变化对变化点检测准确性有何影响？
• RQ4 所提出的基于HMM的推荐方法在排序性能上，与基线静态和序列模型相比表现如何？

主要发现

• HMCD-S2（含2个隐藏状态的HMM）和HMCD-S10（含10个隐藏状态的HMM）在位移误差方面均优于基线变化点检测方法。
• HMM中隐藏状态数量的增加导致位移误差上升，可能是因为播放列表数据中变化点数量有限且独特性不足。
• HMMR模型（直接使用输出概率进行推荐）在所有评估模型中取得了最高的NDCG和精确率-召回率表现。
• 采用HMM进行分段的SMF模型（10个隐藏状态）优于其他模型，表明基于变化点感知的分段可有效提升推荐准确性。
• 未引入动态偏好建模的静态模型始终表现欠佳，凸显了捕捉偏好演化过程的重要性。