[论文解读] Leveraging Long and Short-term Information in Content-aware Movie Recommendation

Wei Zhao, Chai, Haixia+5 more|arXiv (Cornell University)|Dec 25, 2017

Recommender Systems and Techniques参考文献 29被引用 5

一句话总结

该论文提出LSIC，一种内容感知的电影推荐模型，通过对抗性训练结合长期（矩阵分解）和短期（RNN-based）用户偏好。通过整合电影海报特征并采用生成器-判别器框架与强化学习，LSIC在Netflix-3M和MovieLens数据集上实现了SOTA（最先进）的top-10排名性能。

ABSTRACT

Movie recommendation systems provide users with ranked lists of movies based on individual's preferences and constraints. Two types of models are commonly used to generate ranking results: long-term models and session-based models. While long-term models represent the interactions between users and movies that are supposed to change slowly across time, session-based models encode the information of users' interests and changing dynamics of movies' attributes in short terms. In this paper, we propose an LSIC model, leveraging Long and Short-term Information in Content-aware movie recommendation using adversarial training. In the adversarial process, we train a generator as an agent of reinforcement learning which recommends the next movie to a user sequentially. We also train a discriminator which attempts to distinguish the generated list of movies from the real records. The poster information of movies is integrated to further improve the performance of movie recommendation, which is specifically essential when few ratings are available. The experiments demonstrate that the proposed model has robust superiority over competitors and sets the state-of-the-art. We will release the source code of this work after publication.

研究动机与目标

• 解决现有推荐模型仅关注长期或短期用户行为的局限性。
• 通过整合电影海报的视觉内容，提升低评分数据场景下的推荐性能。
• 开发一个统一框架，有效融合长期用户偏好（通过矩阵分解）与短期行为动态（通过RNN）。
• 通过生成器-判别器设置的对抗性训练，增强模型鲁棒性与排序质量。
• 探究会话长度与候选集大小对推荐性能的影响。

提出的方法

• LSIC模型使用生成模型（G）作为强化学习智能体，基于用户历史和时间顺序推荐电影。
• 判别模型（D）以孪生网络结构进行训练，用于区分真实用户交互序列与生成序列，实现对抗性训练。
• 生成器通过策略梯度强化学习进行训练，其奖励由判别器提供，以提升推荐质量。
• 使用CNN提取电影海报特征，并将其融合到用户和物品嵌入空间，以增强内容感知推荐。
• 采用重排序策略：候选电影首先通过矩阵分解（MF）筛选，再由LSIC进行重排序，以降低推理成本。
• 模型同时整合长期（MF）与短期（RNN）表征，其中RNN用于捕捉用户在会话中的动态兴趣。

实验结果

研究问题

• RQ1 结合长期与短期用户偏好是否能提升top-N电影推荐性能？
• RQ2 整合视觉海报内容对推荐准确率有何影响，特别是在低评分数据环境下？
• RQ3 在生成器-判别器框架下进行对抗性训练，在多大程度上提升了推荐质量与多样性？
• RQ4 模型性能对用于短期建模的会话窗口长度有多敏感？
• RQ5 重排序的最优候选集大小是多少？其对推理效率与排序准确率有何影响？

主要发现

• LSIC在Netflix-3M与MovieLens数据集上均达到SOTA性能，在Precision@5与NDCG@5指标上优于IRGAN、RNN、LambdaFM等SOTA模型。
• 消融实验表明，强化学习对性能贡献最大，其次为海报信息，两者均显著提升了排序质量。
• 模型成功将正样本电影排至更高位置——例如，用户'8003'的'9 souls'排名从第5位提升至第1位——并推荐了其他模型遗漏的新兴相关影片，如'Session 9'与'The Last Valley'。
• 使用100个MF候选进行重排序时性能最优；超过此规模后性能下降，原因在于引入了低质量的长尾候选。
• RNN组件在后续会话中表现愈发有效，表明当用户交互历史足够充分时，短期建模能显著增强推荐效果。
• 学习曲线显示训练过程稳定，无显著性能退化；推理时选择性能最佳的生成器。