[论文解读] A Random Walk Based Model Incorporating Social Information for Recommendations

Shang Shang, Sanjeev R. Kulkarni+2 more|arXiv (Cornell University)|Aug 3, 2012

Recommender Systems and Techniques参考文献 4被引用 18

一句话总结

本文提出了一种基于随机游走的混合协同过滤模型，将用户评分、物品内容、用户资料和社会网络信息整合到统一的图结构中，以提高推荐准确率，尤其适用于冷启动用户。通过基于评分分数分配边权重并利用社会信任关系，该模型在冷启动场景下的表现优于当前最先进的方法。

ABSTRACT

Collaborative filtering (CF) is one of the most popular approaches to build a recommendation system. In this paper, we propose a hybrid collaborative filtering model based on a Makovian random walk to address the data sparsity and cold start problems in recommendation systems. More precisely, we construct a directed graph whose nodes consist of items and users, together with item content, user profile and social network information. We incorporate user's ratings into edge settings in the graph model. The model provides personalized recommendations and predictions to individuals and groups. The proposed algorithms are evaluated on MovieLens and Epinions datasets. Experimental results show that the proposed methods perform well compared with other graph-based methods, especially in the cold start case.

研究动机与目标

• 通过整合社交和用户资料信息，解决推荐系统中的数据稀疏性和冷启动问题。
• 开发一种混合协同过滤模型，将用户-物品评分、物品内容、用户资料和社会网络整合到单一图结构中。
• 为个体用户和用户群体（包括无评分历史的新用户）提供个性化推荐。
• 通过在异构图上进行加权随机游走建模用户偏好，提升推荐准确率。
• 在真实世界数据集上评估模型性能，特别是在冷启动和热启动场景下的表现。

提出的方法

• 构建一个有向异构图，节点包括用户、物品、物品类型和用户资料，通过反映用户评分、社会信任和内容标签的边进行连接。
• 基于用户评分分数（例如1–5分制）分配边权重，使模型能够编码偏好强度，而非使用单位权重。
• 应用马尔可夫随机游走过程计算稳定的节点分布，解释为推荐的物品排序。
• 通过聚合个体用户游走路径和信任关系，将模型扩展至群体推荐。
• 使用类似PageRank的计算方法推导节点重要性，其中较高得分表示更高的推荐相关性。
• 通过用户之间的信任关系连接用户，实现来自可信同伴的信息传播。

实验结果

研究问题

• RQ1 将社交网络信息整合到基于随机游走的协同过滤模型中，是否能显著提升冷启动场景下的性能？
• RQ2 基于评分分数的加权边与使用单位权重边的模型相比，在推荐准确率方面表现如何？
• RQ3 该模型在为无任何先前评分历史的新用户提供建议方面，能提供多大程度的有效推荐？
• RQ4 引入物品内容和用户资料信息是否能增强模型处理数据稀疏性问题的能力？
• RQ5 与当前最先进的方法相比，该模型在MovieLens和Epinions等真实世界数据集上的表现如何？

主要发现

• 在冷启动场景下，集成社交信息的UserRank模型在Epinions数据集上的百分位数得分为0.2874，在MovieLens数据集上为0.1112，显著优于基线方法。
• 在冷启动情况下，与仅使用协同过滤的UserRank相比，集成社交信息的UserRank在Epinions上将平均百分位数得分降低了14.7%，在MovieLens上降低了7.3%。
• 在MovieLens数据集上，该模型在前900名推荐中的召回率达到0.85，表明对相关物品具有较强的覆盖能力。
• 该模型在冷启动场景下表现出优越性能，社会信息使即使在缺乏用户评分历史的情况下也能实现有效推荐。
• 在热启动条件下，增加社交信息仅带来微小的性能提升，表明社交数据在用户评分数据稀缺时最具价值。
• 与先前工作中使用的单位权重边相比，本模型采用基于评分的边权重，提升了偏好建模能力，从而实现了更准确的排序。