[论文解读] An Analysis of the Features Considerable for NFT Recommendations

Dinuka Piyadigama, Guhanathan Poravi|arXiv (Cornell University)|May 1, 2022

Consumer Market Behavior and Pricing被引用 5

一句话总结

本文提出一种双模型方法，用于在去中心化NFT市场中实现NFT推荐，结合基于特征的内容相似性与特征稀有度评分，以提升推荐的相关性。结果表明，通过余弦相似度衡量视觉/语义相似性、通过稀有度评分反映稀缺性驱动的价值，两种方法的结合可产生比单独使用任一方法更全面、更多样化的推荐结果。

ABSTRACT

This research explores the methods that NFTs can be recommended to people who interact with NFT-marketplaces to explore NFTs of preference and similarity to what they have been searching for. While exploring past methods that can be adopted for recommendations, the use of NFT traits for recommendations has been explored. The outcome of the research highlights the necessity of using multiple Recommender Systems to present the user with the best possible NFTs when interacting with decentralized systems.

研究动机与目标

• 识别并评估对NFT市场中有效推荐至关重要的关键特征，特别是NFT特征。
• 通过开发针对NFT独特特征量身定制的多模型推荐系统，缓解NFT市场中的信息过载问题。
• 评估结合基于内容的推荐模型与基于稀有度的推荐模型在提升用户相关性与可探索性方面的有效性。
• 为未来整合用户偏好、情感分析与价格动态的NFT推荐系统奠定基础。

提出的方法

• 采用基于内容的推荐模型，利用NFT特征向量之间的余弦相似度，识别在视觉与语义上相似的NFT。
• 使用公式 $ T_{r,t} = \sum^{Nt}_{t=1}\frac{1}{\left(\frac{c_{t}}{T_{N}}\right)} $ 计算每个NFT的总稀有度评分，其中 $ c_t $ 为特征数量，$ T_N $ 为总供应量。
• 通过选择与参考NFT总稀有度最接近的10个NFT生成推荐结果。
• 利用余弦相似度与稀有度评分的散点图可视化并对比两种模型的输出，以评估推荐的多样性与相关性。
• 尽管面临速率限制与数据稀缺的挑战，仍使用OpenSea API数据与一个公开的NFT特征数据集来训练与评估模型。
• 探索了未来通过LSTM深度学习与情感分析进行系统增强的可行性，但由于数据限制未实际实现。

Figure 1: Trait Similarity Content based recommendations

实验结果

研究问题

• RQ1 在去中心化市场中，哪些NFT特征最有效于生成相关推荐？
• RQ2 基于内容的相似性与基于特征稀有度的评分，在推荐相关NFT方面的能力如何比较？
• RQ3 结合基于内容的推荐与基于稀有度的推荐模型，是否能产生比单独使用任一模型更丰富、更准确的推荐结果？
• RQ4 鉴于NFT的独特性与数据一致性低的特点，使用LSTM等深度学习模型进行NFT推荐存在哪些局限性？
• RQ5 用户偏好、情感分析与历史价格数据如何进一步提升NFT推荐系统？

主要发现

• 基于内容的模型利用余弦相似度，生成了在视觉与语义上与参考NFT高度相似的推荐，表现为高余弦相似度得分。
• 基于稀有度的模型推荐了具有相似稀缺性特征的NFT，但这些NFT与参考NFT的余弦相似度较低，表明其处于不同的推荐空间。
• 评估图表显示，两种模型输出截然不同：余弦相似度模型推荐的项目在稀有度空间中分布不一致，而稀有度模型推荐的项目内容相似度较低。
• 研究结论认为，两种模型均不可或缺且具有互补性，分别捕捉了相关性的两个不同维度——内容相似性与稀缺性。
• 结合两种模型对于生成兼顾视觉相似性与稀缺性感知价值的全面推荐至关重要。
• 尽管面临数据获取困难与API速率限制的挑战，作者仍确认公开数据集是未来模型训练与优化的可行资源。

Figure 3: Total Rarity based recommendations