[论文解读] A Hybrid Recommendation Method Based on Feature for Offline Book Personalization

Xixi Li, Jiahao Xing+4 more|arXiv (Cornell University)|Apr 26, 2018

Recommender Systems and Techniques参考文献 19被引用 13

一句话总结

本文提出了一种用于离线图书零售的混合推荐方法，结合了主题模型（LDA）与词嵌入（word2vec），以捕捉用户对图书主题和类型的偏好。通过融合用户相似性与用户-图书相关性，该方法在离线图书数据上优于单一方法，通过基于特征的个性化显著提升了推荐准确率。

ABSTRACT

Recommendation system has been widely used in different areas. Collaborative filtering focuses on rating, ignoring the features of items itself. In order to effectively evaluate customers preferences on books, taking into consideration of the characteristics of offline book retail, we use LDA model to calculate customers preference on book topics and use word2vec to calculate customers preference on book types. When forecasting rating on books, we take two factors into consideration: similarity of customers and correlation between customers and books. The experiment shows that our hybrid recommendation method based on features performances better than single recommendation method in offline book retail data.

研究动机与目标

• 为解决协同过滤在离线图书零售中的局限性，通过引入评分之外的物品特征。
• 利用LDA模型对图书主题建模，以更好地实现个性化。
• 通过图书元数据的word2vec嵌入，捕捉用户对图书类型的偏好。
• 通过在混合框架中融合用户相似性与用户-图书相关性，提升推荐准确率。
• 在真实离线图书零售数据上评估所提方法，并与单一方法基线进行比较。

提出的方法

• 将LDA应用于图书文本内容，以提取潜在主题，并建模用户对图书主题的偏好。
• 使用word2vec将图书元数据（如类型、关键词）嵌入为密集向量表示，以建模用户对图书类型的偏好。
• 基于用户在主题与类型上的共同偏好，计算用户相似性，以识别相似用户。
• 通过测量用户偏好特征与图书特征向量（主题与类型）之间的相似性，建模用户-图书相关性。
• 设计混合评分函数，结合用户相似性与用户-图书相关性，预测未见图书的评分。
• 基于预测评分生成最终推荐列表，整合协同过滤与内容-based信号。

实验结果

研究问题

• RQ1 在离线图书零售中，主题与类型等物品特征在多大程度上能提升推荐性能？
• RQ2 结合基于LDA的主题建模与基于word2vec的类型嵌入，在多大程度上能增强用户偏好建模？
• RQ3 用户相似性与用户-图书相关性融合对预测准确率有何影响？
• RQ4 该混合方法是否在离线图书数据上优于纯协同过滤或纯内容-based方法？
• RQ5 在混合推荐框架中，主题建模与类型嵌入的相对贡献如何？

主要发现

• 该混合方法在预测离线图书数据中用户评分时，显著优于单一方法（如纯协同过滤或纯内容-based过滤）。
• 引入LDA提取的主题能有效提升模型捕捉用户细微兴趣的能力，超越简单评分的局限。
• 基于word2vec的类型嵌入能有效表示不同类型之间的语义关系，增强特征层面的个性化。
• 用户相似性与用户-图书相关性融合，可生成更准确、更个性化的推荐结果。
• 所提方法在RMSE与MAE等标准指标上，相较基线模型实现了更高的推荐准确率。
• 结果证实，在评分数据可能稀疏的离线图书零售环境中，基于特征的建模对实现有效个性化至关重要。