[论文解读] Recommending Items in Social Tagging Systems Using Tag and Time Information

Emanuel Lacić, Dominik Kowald+3 more|Jun 30, 2014

Recommender Systems and Techniques参考文献 25被引用 8

一句话总结

本文提出CIRTT，一种两步协同过滤方法，通过在基底学习（BLL）方程中整合标签频率与时效性，利用来自人类记忆理论的幂律遗忘函数，改进社交标签系统中的项目推荐。该方法在三个真实世界数据集（BibSonomy、CiteULike、MovieLens）上的准确率优于现有标签感知与时间感知基线模型，表明基于认知启发的标签重用概率建模可显著提升推荐质量。

ABSTRACT

In this work we present a novel item recommendation approach that aims at improving Collaborative Filtering (CF) in social tagging systems using the information about tags and time. Our algorithm follows a two-step approach, where in the first step a potentially interesting candidate item-set is found using user-based CF and in the second step this candidate item-set is ranked using item-based CF. Within this ranking step we integrate the information of tag usage and time using the Base-Level Learning (BLL) equation coming from human memory theory that is used to determine the reuse-probability of words and tags using a power-law forgetting function. As the results of our extensive evaluation conducted on data-sets gathered from three social tagging systems (BibSonomy, CiteULike and MovieLens) show, the usage of tag-based and time information via the BLL equation also helps to improve the ranking and recommendation process of items and thus, can be used to realize an effective item recommender that outperforms two alternative algorithms which also exploit time and tag-based information.

研究动机与目标

• 通过整合时间与基于标签的用户行为，提升社交标签系统中的项目推荐准确率。
• 探究基于认知的内存与遗忘模型是否可增强标签环境中协同过滤的效果。
• 评估基底学习（BLL）方程在结合频率与时效性以建模标签重用概率方面的有效性。
• 对比CIRTT在真实世界大众分类法数据集上与现有时间感知与标签感知推荐算法的性能表现。
• 探索将认知理论整合至数据驱动推荐系统以提升个性化水平的潜力。

提出的方法

• CIRTT采用两步流程：首先，基于用户协同过滤在二值用户-项目矩阵上使用余弦相似度（k=20个最近邻）识别候选项目。
• 其次，通过引入基底学习（BLL）方程增强的项目协同过滤对候选项目进行排序，以建模标签重用概率。
• BLL方程将标签重用概率表示为频率与时效性的函数，采用源自人类记忆理论的幂律遗忘函数。
• 该模型结合标签频率与上次使用至今的时间，对项目评分进行加权，优先推荐那些标签既频繁使用又近期应用的项目。
• 该方法在三个数据集（BibSonomy、CiteULike、MovieLens）上进行评估，使用标准指标如nDCG@20、MAP@20和Recall@20。
• 替代基线包括使用二值矩阵的协同过滤（CF_B）、使用标签资料的协同过滤（CF_T），以及两种时间感知方法（Z：指数时效性，H：线性时效性）。

实验结果

研究问题

• RQ1 通过基底学习（BLL）方程整合标签频率与时效性，是否可提升社交标签系统中的项目推荐准确率？
• RQ2 BLL中的幂律遗忘函数在推荐性能方面，相较于指数函数（Zheng et al.）与线性函数（Huang et al.）表现如何？
• RQ3 基于BLL的排序方法是否优于现有最先进标签与时间感知推荐算法？
• RQ4 基于认知启发的人类记忆模型在多大程度上可提升推荐的个性化与相关性？
• RQ5 不同指标（准确率、多样性、用户覆盖率）在所提方法与基线方法之间有何差异？

主要发现

• CIRTT在所有三个数据集（BibSonomy、CiteULike、MovieLens）上均取得最高的nDCG@20、MAP@20与Recall@20得分，优于所有基线方法。
• 基于BLL的幂律遗忘函数在建模标签时效性方面，准确率优于Zheng et al.的指数函数与Huang et al.的线性函数。
• Huang et al.（H）方法产生的推荐多样性（D）最低，可能因其依赖用户标签资料及基于标签的多样性度量。
• 所有个性化方法的用户覆盖率（UC）几乎相同，MovieLens数据集中最大偏差仅为2.53%，表明用户覆盖率一致。
• 非个性化基线MP在所有指标上均表现最差，证实个性化在推荐中的必要性。
• 结果支持假设：基于人类认知理论（如BLL）的理论模型可显著增强数据驱动推荐系统。