[论文解读] Attention Please! A Hybrid Resource Recommender Mimicking Attention-Interpretation Dynamics

Paul Seitlinger, Dominik Kowald+4 more|arXiv (Cornell University)|Jan 30, 2015

Recommender Systems and Techniques参考文献 29被引用 4

一句话总结

本文提出一种混合推荐系统，通过使用SUSTAIN联结主义网络对用户的注意力焦点和语义解释动态进行建模，从而增强基于用户的协同过滤（CF）。通过将SUSTAIN的认知合理聚类与注意力调谐机制融入CF，该方法在推荐准确率方面实现提升——尤其在BibSonomy数据集上，其性能甚至优于计算开销更大的方法（如WRMF）——同时保持更低的复杂度和更强的跨数据集鲁棒性。

ABSTRACT

Classic resource recommenders like Collaborative Filtering (CF) treat users as being just another entity, neglecting non-linear user-resource dynamics shaping attention and interpretation. In this paper, we propose a novel hybrid recommendation strategy that refines CF by capturing these dynamics. The evaluation results reveal that our approach substantially improves CF and, depending on the dataset, successfully competes with a computationally much more expensive Matrix Factorization variant.

研究动机与目标

• 解决经典协同过滤（CF）在忽略非线性、动态用户-资源交互（如注意力与解释）方面的局限性。
• 通过捕捉不断演化的注意力焦点与概念聚类，对社交信息系统（SIS）中的个体用户轨迹进行建模。
• 通过人类类别学习的联结主义模型引入认知合理动态，改进基于用户的CF。
• 开发一种混合推荐策略，其准确率高于现有方法（如WRMF），且计算成本更低。
• 在具有不同用户行为模式的多样化数据集（BibSonomy、CiteULike、Delicious）上验证模型的鲁棒性与性能。

提出的方法

• 该方法将基于用户的CF（CF_U）与SUSTAIN网络相结合，后者根据用户交互历史，逐步发现聚类并调节注意力权重。
• SUSTAIN将每位用户的信息资源集合建模为一系列学习阶段，动态调整隐藏单元（聚类）与注意力权重，以反映其不断演化的心理状态。
• 系统利用SUSTAIN对CF生成的候选资源进行重排序，通过估计用户特定的注意力焦点与语义聚类。
• 该混合模型（命名为SUSTAIN+CF_U）利用SUSTAIN从历史标签与资源交互中重建用户特定的注意力与解释模式。
• 该方法利用网络对心理状态动态的敏感性，实现基于注意力广度与聚类形成的自适应推荐。
• 评估采用k=1至20的精确率与召回率，将SUSTAIN+CF_U与CF_U、CF_R、WRMF及其他基线方法在三个真实世界数据集上进行对比。

实验结果

研究问题

• RQ1 建模注意力焦点与解释动态是否能提升基于用户的协同过滤的性能？
• RQ2 将SUSTAIN这类认知合理模型整合后，推荐准确率与鲁棒性在多样化数据集上的表现如何？
• RQ3 SUSTAIN+CF_U混合模型在准确率与效率方面是否优于计算开销更大的替代方案（如WRMF）？
• RQ4 用户行为的差异（如主题一致性或社交网络结构）如何影响不同推荐策略的相对性能？
• RQ5 是否可利用SUSTAIN对注意力广度的敏感性，提升对探索性或专注型用户行为的推荐效果？

主要发现

• SUSTAIN+CF_U在所有三个数据集上均显著优于基线的基于用户CF（CF_U），证明了建模注意力与解释动态的价值。
• 在BibSonomy中，SUSTAIN+CF_U优于所有其他方法，包括WRMF，表明其在多样化主题环境中的强大鲁棒性与有效性。
• 在CiteULike上，由于用户表现出更高的主题一致性（平均相似度18.9%），CF_R表现最佳，表明基于CF的方法在主题连贯性环境下更具优势。
• 在Delicious上，由于用户网络通过互粉爬取形成，WRMF因能有效利用用户相似性而表现良好，但SUSTAIN+CF_U仍保持竞争力与鲁棒性。
• SUSTAIN+CF_U在k=1至20范围内均优于CF_U，且在早期推荐排名中增益最大。
• SUSTAIN+CF_U在计算成本上低于WRMF，同时保持或超越其准确率，凸显了性能与复杂度之间的有利权衡。