[论文解读] A Comparative Study of Matrix Factorization and Random Walk with Restart in Recommender Systems

Haekyu Park, Jinhong Jung+1 more|arXiv (Cornell University)|Aug 30, 2017

Recommender Systems and Techniques参考文献 25被引用 3

一句话总结

该论文在推荐系统中对比了矩阵分解（MF）与带重启的随机游走（RWR），提出了一种新型RWR变体，引入全局偏置项以与MF的偏置建模对齐。实验表明，MF在显式反馈上表现优于RWR，而RWR在隐式反馈上表现更优；偏置项能提升两种方法的性能，但辅助信息在隐式数据上会降低性能。

ABSTRACT

Between matrix factorization or Random Walk with Restart (RWR), which method works better for recommender systems? Which method handles explicit or implicit feedback data better? Does additional information help recommendation? Recommender systems play an important role in many e-commerce services such as Amazon and Netflix to recommend new items to a user. Among various recommendation strategies, collaborative filtering has shown good performance by using rating patterns of users. Matrix factorization and random walk with restart are the most representative collaborative filtering methods. However, it is still unclear which method provides better recommendation performance despite their extensive utility. In this paper, we provide a comparative study of matrix factorization and RWR in recommender systems. We exactly formulate each correspondence of the two methods according to various tasks in recommendation. Especially, we newly devise an RWR method using global bias term which corresponds to a matrix factorization method using biases. We describe details of the two methods in various aspects of recommendation quality such as how those methods handle cold-start problem which typically happens in collaborative filtering. We extensively perform experiments over real-world datasets to evaluate the performance of each method in terms of various measures. We observe that matrix factorization performs better with explicit feedback ratings while RWR is better with implicit ones. We also observe that exploiting global popularities of items is advantageous in the performance and that side information produces positive synergy with explicit feedback but gives negative effects with implicit one.

研究动机与目标

• 系统比较协同过滤推荐系统中矩阵分解（MF）与带重启的随机游走（RWR）的性能。
• 探究两种方法在显式反馈与隐式反馈设置下的表现差异。
• 评估全局偏置项与辅助信息对两种方法推荐质量的影响。
• 开发一种新型RWR变体，引入全局偏置项，以实现与MF偏置建模方式的对齐，从而实现更公平的比较。
• 为MF与RWR在不同推荐场景与数据类型下的优劣势提供深入见解。

提出的方法

• 提出一种基于RWR的新方法，通过引入全局偏置项来建模物品流行度与用户普遍倾向，其方式与带偏置的MF类似。
• 使用用户-物品二分图建模交互关系，其中RWR通过带重启概率的随机游走模拟来计算个性化节点接近度。
• 采用矩阵分解方法将用户-物品评分矩阵分解为低秩用户因子与物品因子，同时包含全局偏置项。
• 通过基于特征的嵌入或图增强方式，将辅助信息（如用户人口统计特征、物品类别）整合到MF与RWR模型中。
• 采用标准评估指标，包括Spearman等级相关系数、precision@k与RMSE，基于多个真实世界数据集（Movielens、FilmTrust、Epinions、Lastfm）进行评估。
• 开展消融研究，以分离偏置项与辅助信息在显式与隐式反馈设置下对性能的影响。

实验结果

研究问题

• RQ1 在显式反馈数据上，矩阵分解与带重启的随机游走中哪一方法表现更优？
• RQ2 在隐式反馈数据上，哪一方法表现更优？
• RQ3 全局偏置项是否能提升MF与RWR的推荐性能？
• RQ4 辅助信息对MF与RWR的推荐性能有何影响，特别是在显式与隐式反馈设置下？
• RQ5 MF与RWR在不同反馈类型下表现差异的潜在原因是什么？

主要发现

• 在显式反馈数据集上，矩阵分解优于带重启的随机游走，其在Movielens、FilmTrust与Epinions数据集上均实现了更高的precision@1、precision@2、precision@3与Spearman等级相关系数。
• 在隐式反馈数据上，带重启的随机游走优于矩阵分解，其中RWR_Side在Lastfm上的Spearman等级相关系数达到0.440，而MF_Side仅为0.207。
• 全局偏置项显著提升了MF与RWR的推荐性能，增强了全局排序与top-k预测的准确性。
• 辅助信息在MF的显式反馈中表现更优（如MF_Side在Movielens上优于MF），但在RWR的隐式反馈中表现更差（如RWR_Side在Lastfm上劣于RWR）。
• 性能差异的根源在于隐式反馈更易受噪声影响，而辅助信息在该设置下会放大噪声；相比之下，显式反馈对辅助信息整合更具鲁棒性。
• 所提出的带全局偏置项的RWR方法（RWR_Bias）优于标准RWR，表明即使在基于图的方法中，偏置建模也具有显著优势。