[论文解读] Item Silk Road: Recommending Items from Information Domains to Social Users

Xiang Wang, Xiangnan He+2 more|arXiv (Cornell University)|Jun 10, 2017

Recommender Systems and Techniques参考文献 35被引用 149

一句话总结

引入跨域社交推荐，将信息域的物品推荐给社交网络的用户；提出 NSCR，一种神经社交协同排序模型，使用属性感知的深度协同过滤和基于图的社交传播。

ABSTRACT

Online platforms can be divided into information-oriented and social-oriented domains. The former refers to forums or E-commerce sites that emphasize user-item interactions, like Trip.com and Amazon; whereas the latter refers to social networking services (SNSs) that have rich user-user connections, such as Facebook and Twitter. Despite their heterogeneity, these two domains can be bridged by a few overlapping users, dubbed as bridge users. In this work, we address the problem of cross-domain social recommendation, i.e., recommending relevant items of information domains to potential users of social networks. To our knowledge, this is a new problem that has rarely been studied before. Existing cross-domain recommender systems are unsuitable for this task since they have either focused on homogeneous information domains or assumed that users are fully overlapped. Towards this end, we present a novel Neural Social Collaborative Ranking (NSCR) approach, which seamlessly sews up the user-item interactions in information domains and user-user connections in SNSs. In the information domain part, the attributes of users and items are leveraged to strengthen the embedding learning of users and items. In the SNS part, the embeddings of bridge users are propagated to learn the embeddings of other non-bridge users. Extensive experiments on two real-world datasets demonstrate the effectiveness and rationality of our NSCR method.

研究动机与目标

• 通过桥接信息域（如 Trip.com）与社交网络（如 Facebook、Twitter）来激发跨域社交推荐问题，从而通过桥接用户连接两者。
• 开发一个神经网络、属性感知的推荐系统，在信息域中建模用户-物品-属性的交互。
• 通过基于图的平滑性约束在社交域中传播桥接用户嵌入，以为非桥接用户提供信息。
• 在共享嵌入空间下结合信息域学习与社交域学习，以应对稀疏的桥接用户数据。
• 提供两个真实世界数据集并进行全面实验，以验证 NSCR 相对于基线方法的性能。

提出的方法

• 属性感知的深度协同过滤，利用对 IDs 和属性的学习，通过成对池化操作捕捉用户、物品和属性之间的交互，学习嵌入。
• 一个基于嵌入的框架，将信息域学习（L_I）与社交域学习（L_S）分离，并且具有共享的桥接用户嵌入（L_I ∩ L_S 非空）。
• 信息域学习在观测/未观测交互上使用成对排序目标来优化一个神经网络（p_u, q_i），在嵌入的逐元素乘积之上有一个深度多层感知机。
• 社交域学习通过图拉普拉斯矩阵的平滑项在社交网络中传播桥接用户嵌入，并通过跨域的拟合约束来强制锚点一致性。
• 对社交用户的预测将他们的嵌入与物品嵌入通过相同的神经架构结合，生成用于排序的 y_hat。
• 训练使用交替优化：信息域采用带负采样的随机梯度下降，社交域采用闭式图驱动的更新；对成对池化和隐藏层应用 dropout。

实验结果

研究问题

• RQ1 NSCR 是否能在跨域社交推荐任务上超越最先进的方法？
• RQ2 超参数（例如 dropout、权衡系数 mu）如何影响 NSCR 的性能？
• RQ3 更深的隐藏层是否能提升来自信息域交互的学习，从而改善 NSCR？
• RQ4 桥接用户嵌入在社交域中传播给非桥接用户的效果如何？
• RQ5 将属性纳入对推荐质量的影响是多少？

主要发现

• NSCR 在构建的跨域数据集上（Trip.com 与 Facebook、Twitter 的组合）相对于基线方法表现出色，使用 AUC 和 Recall@5 指标。
• 通过成对池化进行属性建模，相比简单池化更好地捕捉用户-物品-属性之间的相关性。
• 将领域特定学习分离并共享桥接用户嵌入，能够有效对齐信息域物品与社交域用户。
• 基于图的社交传播采用归一化拉普拉斯算子，改善对非桥接用户的嵌入传播并稳定学习。
• 实验表明对超参数设置具有鲁棒性，并验证在跨域推荐中纳入属性的好处。