[论文解读] A general graph-based framework for top-N recommendation using content, temporal and trust information

Armel Jacques Nzekon Nzeko’o, Maurice Tchuenté+1 more|arXiv (Cornell University)|May 6, 2019

Recommender Systems and Techniques参考文献 50被引用 5

一句话总结

该论文提出GraFC2T2，一种基于图的通用框架，通过个性化PageRank将内容、时间与信任信息统一整合到图中，实现top-N推荐。在Epinions和Ciao数据集上的实验表明，结合多种辅助信息类型——尤其是采用时间加权——可使性能相比单一信息基线提升至少41%。

ABSTRACT

Recommending appropriate items to users is crucial in many e-commerce platforms that contain implicit data as users' browsing, purchasing and streaming history. One common approach consists in selecting the N most relevant items to each user, for a given N, which is called top-N recommendation. To do so, recommender systems rely on various kinds of information, like item and user features, past interest of users for items, browsing history and trust between users. However, they often use only one or two such pieces of information, which limits their performance. In this paper, we design and implement GraFC2T2, a general graph-based framework to easily combine and compare various kinds of side information for top-N recommendation. It encodes content-based features, temporal and trust information into a complex graph, and uses personalized PageRank on this graph to perform recommendation. We conduct experiments on Epinions and Ciao datasets, and compare obtained performances using F1-score, Hit ratio and MAP evaluation metrics, to systems based on matrix factorization and deep learning. This shows that our framework is convenient for such explorations, and that combining different kinds of information indeed improves recommendation in general.

研究动机与目标

• 解决现有top-N推荐系统仅使用内容、时间动态或信任中一种或两种辅助信息的局限性。
• 设计一种通用且可扩展的框架，便于轻松组合与比较多样化的辅助信息源用于top-N推荐。
• 通过编码内容特征、时间交互与信任关系的统一图结构，建模用户偏好，提升推荐准确性。
• 证明整合多种辅助信息类型——尤其是采用时间加权边——相比单一信息或非加权方法，能带来显著的性能提升。
• 为电子商务和流媒体平台中的隐式反馈场景，建立一种可扩展且灵活的图基替代方案，以替代矩阵分解与深度学习模型。

提出的方法

• 构建一个异构图，将用户-物品交互、物品内容特征、用户信任关系与时间戳整合为单一统一的图结构。
• 基于时间的新近度对边进行时间加权，使更近的交互获得更高权重，以反映概念漂移与用户兴趣的演变。
• 通过将物品链接至其特征节点（如类型、作者）来表示基于内容的特征，实现内容偏好在图中的传播。
• 通过添加从可信用户指向其可信好友的有向边来建模信任关系，使可信来源的影响得以传播。
• 在增强图上执行个性化PageRank，其中随机游走从用户节点开始，通过物品、内容与信任边传播，以计算相关性得分。
• 根据PageRank得分对物品进行排序，并为每位用户返回Top-N推荐结果。

实验结果

研究问题

• RQ1 统一的图基框架能否有效整合内容、时间与信任信息用于top-N推荐？
• RQ2 与无权重或非时间模型相比，引入时间加权边如何提升推荐性能？
• RQ3 在单一图基推荐系统中，各辅助信息类型（内容、时间、信任）的相对贡献如何？
• RQ4 整合多种辅助信息类型是否能持续优于仅使用一种或两种类型的方法？
• RQ5 所提出的GraFC2T2框架在性能上与最先进的矩阵分解与协同过滤方法相比如何？

主要发现

• 整合至少两种辅助信息类型（如内容+时间、信任+时间）的图结构，始终优于仅使用单一类型的情况，性能提升至少41%。
• 时间加权图显著优于非加权图，表明通过新近度建模概念漂移对准确的top-N推荐至关重要。
• 实验中表现最佳的配置结合了内容、时间与信任信息，并采用时间加权边，在Epinions和Ciao数据集上均取得了最高的F1值、命中率与MAP。
• GraFC2T2框架在所有评估指标上均表现出与经典用户基于与物品基于协同过滤，以及矩阵分解基线相当或更优的性能。
• 结果证实，通过多种辅助信息类型增强的图基模型，是隐式反馈场景下深度学习与矩阵分解的可行且有效的替代方案。
• 该框架的可扩展性使其能够轻松实验与比较不同辅助信息组合，是推荐系统研究与开发中的实用工具。