[论文解读] Active Collaborative Filtering

Craig Boutilier, Richard S. Zemel+1 more|arXiv (Cornell University)|Oct 19, 2012

Recommender Systems and Techniques参考文献 5被引用 30

一句话总结

本文提出了一种主动协同过滤框架，通过选择最具信息量的用户评分来实时提升推荐质量。通过利用离线计算的期望信息价值（EVOI）边界和原型构建，该方法大幅降低了在线推理成本，同时保持了高推荐准确率，尤其在多原因向量量化模型中表现突出。

ABSTRACT

Collaborative filtering (CF) allows the preferences of multiple users to be pooled to make recommendations regarding unseen products. We consider in this paper the problem of online and interactive CF: given the current ratings associated with a user, what queries (new ratings) would most improve the quality of the recommendations made? We cast this terms of expected value of information (EVOI); but the online computational cost of computing optimal queries is prohibitive. We show how offline prototyping and computation of bounds on EVOI can be used to dramatically reduce the required online computation. The framework we develop is general, but we focus on derivations and empirical study in the specific case of the multiple-cause vector quantization model.

研究动机与目标

• 为解决在线协同过滤中选择最优用户评分以最大化推荐质量的挑战。
• 降低交互式推荐系统中在线期望信息价值（EVOI）计算的高昂计算成本。
• 开发一种通用框架，实现协同过滤中高效、实时的查询选择。
• 在多原因向量量化模型的背景下应用并评估该框架。
• 证明离线预计算与EVOI边界可显著加速在线决策过程，同时不损失准确性。

提出的方法

• 该框架将推荐问题建模为一个主动学习任务，系统选择能最大化期望信息增益的新评分（查询）。
• 采用期望信息价值（EVOI）作为选择最优查询的核心标准。
• 通过离线原型构建预计算候选查询及其EVOI值，以减少在线计算量。
• 推导出更紧致的EVOI边界，并在在线选择过程中用于剪枝搜索空间。
• 该方法基于多原因向量量化模型实现并评估，用于协同过滤。
• 系统根据预计算的EVOI估计值和实时用户反馈，动态选择下一个评分查询。

实验结果

研究问题

• RQ1 收集哪些用户评分能带来推荐质量的最高期望提升？
• RQ2 如何在不损失推荐准确率的前提下降低在线EVOI计算的计算成本？
• RQ3 离线预计算与EVOI边界能否有效指导协同过滤中的在线查询选择？
• RQ4 与标准协同过滤相比，所提出的框架在推荐质量和效率方面表现如何？
• RQ5 不同EVOI近似技术对查询选择的质量与速度有何影响？

主要发现

• 所提出的方法通过将大部分EVOI计算转移到离线预处理阶段，显著降低了在线计算成本。
• 离线EVOI边界使得在线交互过程中能够实现快速且接近最优的查询选择，同时保持高推荐准确率。
• 与被动CF方法相比，该框架在使用更少用户评分的情况下实现了显著的推荐质量提升。
• 在多原因向量量化模型上的实证评估表明，主动查询选择可实现更快收敛和更优推荐结果。
• 原型构建与边界技术使得主动协同过滤在实时系统中可扩展地部署。
• 该方法在不同用户偏好模式和数据稀疏性水平下均表现出鲁棒性与高效性。