[论文解读] Using Temporal Data for Making Recommendations

Andrew Zimdars, David Maxwell Chickering+1 more|arXiv (Cornell University)|Jan 10, 2013

Time Series Analysis and Forecasting参考文献 11被引用 123

一句话总结

本文将协同过滤建模为单变量时间序列问题，基于时间顺序依次预测用户评分。通过将时间数据转换为适用于标准分类和密度估计工具的形式，作者在真实世界数据集上显著提升了推荐准确率，证明了显式建模用户行为时间动态的价值。

ABSTRACT

We treat collaborative filtering as a univariate time series estimation problem: given a user's previous votes, predict the next vote. We describe two families of methods for transforming data to encode time order in ways amenable to off-the-shelf classification and density estimation tools, and examine the results of using these approaches on several real-world data sets. The improvements in predictive accuracy we realize recommend the use of other predictive algorithms that exploit the temporal order of data.

研究动机与目标

• 探索将用户评分建模为时间序列是否能提升推荐准确率。
• 开发数据转换技术，将时间顺序编码用于标准分类和密度估计算法。
• 评估时间建模在真实世界推荐数据集上的有效性。
• 证明用户评分中的时间顺序包含可被标准机器学习工具利用的预测信号。

提出的方法

• 将用户评分序列转换为适用于分类和密度估计的时间有序特征向量。
• 应用现成的分类和密度估计算法，基于历史评分预测下一个用户评分。
• 使用滞后特征和时间感知嵌入等时间编码技术，保留顺序信息。
• 将每位用户评分历史视为单变量时间序列，将问题框架化为下一个项目预测。
• 使用RMSE和AUC等标准指标在多个真实世界数据集上评估性能。
• 将时间建模方法与无时间感知的基线协同过滤方法进行比较。

实验结果

研究问题

• RQ1 与标准协同过滤相比，将用户评分建模为时间序列是否能提升推荐准确率？
• RQ2 有哪些有效方法可将时间顺序编码到用户评分序列中，以用于标准机器学习工具？
• RQ3 显式建模用户行为的时间动态可带来多大程度的预测增益？
• RQ4 当应用于时间结构化的评分数据时，标准分类和密度估计工具表现如何？

主要发现

• 所提出的时序建模方法在多个真实世界数据集上显著优于非时序基线，预测准确率得到提升。
• 将评分序列转换为时间有序特征，使现成算法能够有效学习用户行为中的时间模式。
• 时间数据编码的使用在RMSE和AUC上带来可测量的提升，证明了时间顺序的预测价值。
• 结果表明，标准协同过滤中用户评分的时间动态被低估，应显式建模。