[论文解读] A novel graph-based model for hybrid recommendations in cold-start scenarios

Cesare Bernardis, Maurizio Ferrari Dacrema+1 more|arXiv (Cornell University)|Aug 31, 2018

Recommender Systems and Techniques参考文献 3被引用 4

一句话总结

该论文提出了一种基于图的混合推荐模型，利用协同过滤概率来学习冷启动物品的最优特征权重，显著提升了基于内容的推荐性能。通过使用随机梯度下降将特征加权问题建模为回归问题，该模型在Movielens 20M和The Movies Dataset数据集上取得了最先进（state-of-the-art）的结果，优于传统的基于内容的推荐方法以及基线图模型。

ABSTRACT

Cold-start is a very common and still open problem in the Recommender Systems literature. Since cold start items do not have any interaction, collaborative algorithms are not applicable. One of the main strategies is to use pure or hybrid content-based approaches, which usually yield to lower recommendation quality than collaborative ones. Some techniques to optimize performance of this type of approaches have been studied in recent past. One of them is called feature weighting, which assigns to every feature a real value, called weight, that estimates its importance. Statistical techniques for feature weighting commonly used in Information Retrieval, like TF-IDF, have been adapted for Recommender Systems, but they often do not provide sufficient quality improvements. More recent approaches, FBSM and LFW, estimate weights by leveraging collaborative information via machine learning, in order to learn the importance of a feature based on other users opinions. This type of models have shown promising results compared to classic statistical analyzes cited previously. We propose a novel graph, feature-based machine learning model to face the cold-start item scenario, learning the relevance of features from probabilities of item-based collaborative filtering algorithms.

研究动机与目标

• 解决推荐系统中因新物品缺乏交互历史而产生的冷启动问题。
• 通过利用协同信息学习特征权重，提升基于内容的推荐质量。
• 开发一种基于图的模型，通过概率随机游走整合协同与基于内容的信号。
• 验证从协同概率中学习特征权重是否能提升推荐准确率。
• 在真实世界数据集上，将所提出的模型与基于内容的基线方法及现有的图模型进行比较。

提出的方法

• 该模型构建了一个三部图，其中用户、物品和特征作为节点，关系作为加权边。
• 通过在图上进行三步随机游走，利用从用户-物品和物品-特征关系中提取的子矩阵的矩阵乘法，计算用户-物品推荐概率。
• 通过最小化协同路径与加权基于内容的路径之间的残差平方和，使用随机梯度下降学习特征权重。
• 回归的目标矩阵源自协同的三步游走（P^3），或其重排序变体（RP^3_β），以提高可靠性。
• 通过估计物品-物品转移概率 P'_{if} ⊙ P_{fi} 并将其与 P_{iu} ⊙ P_{ui} 对齐，来学习最优特征权重。
• 最终的推荐得分通过公式 URM' = P_{ui} ⊙ P_{if}' ⊙ P_{fi} 计算，其中 P_{if}' 包含学习到的特征权重。

实验结果

研究问题

• RQ1 协同过滤信号能否有效用于冷启动场景中，为基于内容的推荐学习有意义的特征权重？
• RQ2 与TF-IDF等静态方法相比，从协同概率中学习特征权重是否能提升推荐准确率？
• RQ3 目标矩阵的选择（P^3 与 RP^3_β）如何影响混合模型的性能？
• RQ4 一种结合协同与基于内容路径的图模型是否能在冷启动设置下超越纯基于内容的基线模型？
• RQ5 所提出的模型在不同元数据丰富程度各异的数据集上是否具有鲁棒性？

主要发现

• 在Movielens 20M数据集上，所提出的 HP^3_R 模型在Recall@5上达到0.10919，优于CBF（0.10135）和CBF-IDF（0.10147）。
• 在Movielens 20M数据集上，HP^3_R 模型在MAP@5上达到0.22826，显著优于表现最佳的基线模型CBF-IDF（0.21813）。
• 在The Movies Dataset上，HP^3_R 模型在Recall@5上达到0.06776，MAP@5达到0.11934，优于CBF（0.04850和0.08727）和CBF-IDF（0.05033和0.08988）。
• 重排序的混合路径（HP^3_R）在两个数据集上均持续优于未重排序的混合路径及所有基于内容的基线模型。
• 未重排序的混合路径（HP^3）在Movielens 20M上的表现劣于CBF，表明目标矩阵的质量至关重要。
• 结果证实，从协同信息中学习特征权重能显著提升冷启动场景下基于内容的推荐性能。