[论文解读] Attributes Coupling based Item Enhanced Matrix Factorization Technique for Recommender Systems

Yonghong Yu, Can Wang+1 more|arXiv (Cornell University)|May 5, 2014

Recommender Systems and Techniques参考文献 22被引用 6

一句话总结

该论文提出了一种基于属性耦合的项目增强矩阵分解（AC-IE-MF）方法，通过耦合对象相似度（COS）度量将项目属性信息整合到矩阵分解中，以提高推荐准确率并解决冷启动项目问题。通过使用基于属性的相似度对潜在项目向量进行正则化，该方法在真实数据集上优于最先进算法，尤其在拥有丰富项目属性时表现更优。

ABSTRACT

Recommender system has attracted lots of attentions since it helps users alleviate the information overload problem. Matrix factorization technique is one of the most widely employed collaborative filtering techniques in the research of recommender systems due to its effectiveness and efficiency in dealing with very large user-item rating matrices. Recently, based on the intuition that additional information provides useful insights for matrix factorization techniques, several recommendation algorithms have utilized additional information to improve the performance of matrix factorization methods. However, the majority focus on dealing with the cold start user problem and ignore the cold start item problem. In addition, there are few suitable similarity measures for these content enhanced matrix factorization approaches to compute the similarity between categorical items. In this paper, we propose attributes coupling based item enhanced matrix factorization method by incorporating item attribute information into matrix factorization technique as well as adapting the coupled object similarity to capture the relationship between items. Item attribute information is formed as an item relationship regularization term to regularize the process of matrix factorization. Specifically, the similarity between items is measured by the Coupled Object Similarity considering coupling between items. Experimental results on two real data sets show that our proposed method outperforms state-of-the-art recommendation algorithms and can effectively cope with the cold start item problem when more item attribute information is available.

研究动机与目标

• 通过利用项目属性信息，解决协同过滤中的冷启动项目问题。
• 开发一种比现有方法更准确的类别项目之间相似度度量方法。
• 通过将项目属性关系作为正则化项，提升矩阵分解的性能。
• 在真实推荐系统数据集上评估所提方法的有效性。
• 探索耦合对象相似度度量在大规模推荐系统中的可扩展性和效率。

提出的方法

• 该方法引入一种基于项目属性关系的新正则化项，以约束矩阵分解中的潜在项目特征向量。
• 采用一种耦合对象相似度（COS）度量，通过建模属性耦合来捕捉类别项目之间的真实关系。
• COS度量基于共享属性计算项目之间的相似度，时间复杂度为 O(D²ρ³)，其中 D 为属性数量，ρ 为每个项目平均属性数。
• 目标函数结合用户-项目评分预测损失与基于属性的正则化项，联合优化用户和项目潜在因子。
• 使用随机梯度下降进行模型训练，以最小化观测评分的预测误差，同时在潜在空间中保持属性驱动的相似度。
• 该方法在 MovieLens100K 和 HetRec2011 数据集上进行评估，各数据集的邻域大小经调优以优化性能。

实验结果

研究问题

• RQ1 将项目属性信息整合是否能提升基于矩阵分解的推荐系统性能？
• RQ2 所提出的耦合对象相似度（COS）度量是否在捕捉项目关系方面优于传统相似度度量（如 SMS）？
• RQ3 当项目属性可用时，所提方法在多大程度上能缓解冷启动项目问题？
• RQ4 更丰富的项目属性信息在多大程度上影响所提方法的推荐准确率？
• RQ5 邻域大小对所提方法在不同数据集上的性能有何影响？

主要发现

• 所提出的 AC-IE-MF 方法在 MovieLens100K 和 HetRec2011 数据集上，相较于 RSVD、NMF、PMF 和 CBMF 等最先进算法，在 MAE 指标上表现更优。
• 与 CIMF 中使用的 SMS 相比，所提出的耦合对象相似度（COS）度量显著提升了推荐准确率，原因在于其通过属性耦合更好地捕捉了项目间的关系。
• 该方法通过利用具有相似属性的邻居来推断新项目的潜在特征向量，有效缓解了冷启动项目问题。
• 在 HetRec2011 数据集中，最优邻域大小约为 200，高于 MovieLens100K，这是由于 HetRec2011 中项目数量更多且属性信息更丰富。
• 当项目属性信息有限时，该方法性能下降，表明推荐质量高度依赖于属性数据的丰富程度。
• COS 计算的时间复杂度为 O(D²ρ³)，计算成本较高，提示未来工作需通过并行化或近似技术进行优化。