[论文解读] Addressing the Item Cold-start Problem by Attribute-driven Active Learning

Yu Zhu, Jinhao Lin+5 more|arXiv (Cornell University)|May 23, 2018

Recommender Systems and Techniques参考文献 30被引用 18

一句话总结

该论文提出了一种基于属性的主动学习框架，通过联合利用物品属性和用户评分历史，选择最优用户对新物品进行评分，以解决推荐系统中的物品冷启动问题。通过将用户选择建模为一个包含四项标准的优化问题——用户评分意愿、评分多样性、属性相似度以及历史偏好，随后利用反馈数据重新训练因子分解机模型，该方法在RMSE上实现了显著降低（最高提升25%），并优于基线方法的预测保真度。

ABSTRACT

In recommender systems, cold-start issues are situations where no previous events, e.g. ratings, are known for certain users or items. In this paper, we focus on the item cold-start problem. Both content information (e.g. item attributes) and initial user ratings are valuable for seizing users' preferences on a new item. However, previous methods for the item cold-start problem either 1) incorporate content information into collaborative filtering to perform hybrid recommendation, or 2) actively select users to rate the new item without considering content information and then do collaborative filtering. In this paper, we propose a novel recommendation scheme for the item cold-start problem by leverage both active learning and items' attribute information. Specifically, we design useful user selection criteria based on items' attributes and users' rating history, and combine the criteria in an optimization framework for selecting users. By exploiting the feedback ratings, users' previous ratings and items' attributes, we then generate accurate rating predictions for the other unselected users. Experimental results on two real-world datasets show the superiority of our proposed method over traditional methods.

研究动机与目标

• 解决新物品缺乏用户评分而阻碍有效推荐的物品冷启动问题。
• 通过结合主动学习与物品属性信息，提升新物品的推荐准确性。
• 开发一种用户选择策略，平衡评分意愿与预测评分的多样性。
• 利用动态预算机制优化主动学习资源分配。
• 在主动学习过程中保持用户参与度的同时，确保未被选中用户的预测质量。

提出的方法

• 使用现有的用户评分和物品属性预训练因子分解机模型，以初始化评分预测函数。
• 定义四项用户选择标准：(1) 用户对新物品的评分意愿，(2) 预期评分多样性，(3) 用户与物品之间的属性相似度，(4) 用户对类似物品的历史偏好。
• 将用户选择建模为一个带约束的优化问题，通过加权和方式平衡四项标准，其中超参数 α 控制探索与利用之间的权衡。
• 根据物品的不确定性和潜在信息增益，动态分配主动学习预算，提升资源利用效率。
• 从选定用户处收集反馈评分，并重新训练因子分解机模型，以优化未被选中用户的预测。
• 利用重新训练的模型预测未被选中用户的评分，从而实现更高的准确率和泛化能力。

实验结果

研究问题

• RQ1 如何有效利用物品属性来提升主动学习中用户选择的质量，以应对物品冷启动问题？
• RQ2 应依据哪些标准选择既愿意评分又具有信息量的用户来评估新物品？
• RQ3 在冷启动物品的主动学习中，如何平衡探索（评分多样性）与利用（高置信度预测）之间的权衡？
• RQ4 在主动学习资源有限的情况下，动态预算分配策略在多大程度上能提升推荐性能？
• RQ5 将基于属性的用户选择与协同过滤相结合，是否能比传统混合方法或主动学习方法获得更高的预测准确率？

主要发现

• 所提出的FMFC方法在Movielens-IMDB数据集上相比最佳基线方法，RMSE相对降低了25%，显著提升了预测准确率。
• 移除任意一项用户选择标准均导致RMSE上升，其中(1)项标准——用户评分意愿——影响最大，证实其在性能中的关键作用。
• 随着被选用户数量（k）的增加，性能持续提升，因为更多反馈有助于更好的模型微调和更低的预测误差。
• 动态预算策略在不同总预算水平下均提升了RMSE和PFR（预测保真率），但在高预算时收益递减。
• α（用户评分意愿的权重）的最优值约为1，能有效平衡主动学习中的高PFR与预测中的低RMSE，当α < 1时性能下降。
• 该方法在主动学习（高PFR）和预测（低RMSE）两方面均保持高性能，表明其在探索与利用之间实现了有效权衡。