[论文解读] B-Rank: A top N Recommendation Algorithm

Marcel Blattner|arXiv (Cornell University)|Aug 19, 2009

Recommender Systems and Techniques参考文献 25被引用 7

一句话总结

B-Rank 是一种基于超图上的随机游走的无参 top-N 推荐算法，通过超图结构中的前向和后向传播来建模用户偏好。与最先进方法相比，它在精度（提升19–50%）、召回率和列表间多样性（提升20–60%）方面表现更优，能够有效捕捉热门和小众物品，同时通过降低计算复杂度实现实时在线更新。

ABSTRACT

In this paper B-Rank, an efficient ranking algorithm for recommender systems, is proposed. B-Rank is based on a random walk model on hypergraphs. Depending on the setup, B-Rank outperforms other state of the art algorithms in terms of precision, recall (19% - 50%), and inter list diversity (20% - 60%). B-Rank captures well the difference between popular and niche objects. The proposed algorithm produces very promising results for sparse and dense voting matrices. Furthermore, a recommendation list update algorithm is introduced,to cope with new votes. This technique significantly reduces computational complexity. The implementation of the algorithm is simple, since B-Rank needs no parameter tuning.

研究动机与目标

• 为解决现有推荐系统在稀疏数据环境下平衡精度、召回率和多样性方面的局限性。
• 开发一种无参推荐算法，有效捕捉热门和小众物品。
• 通过引入高效的在线更新机制，在动态环境中降低计算复杂度，以应对新评分的加入。
• 提供一个统一框架，通过基于超图的随机游走建模用户偏好，从而提升推荐质量。

提出的方法

• B-Rank 将用户建模为超边，物品建模为顶点，用户-物品交互关系表示为关联关系。
• 基于共享用户（超边）构建转移矩阵 P，其中 Pαβ 表示从物品 α 到 β 通过共同用户路径的比例。
• 前向传播 fF = P^T χ 计算从用户评分物品到达其他物品的概率。
• 后向传播 fB = Pχ 计算从其他物品返回用户评分物品的概率，捕捉间接相似性。
• 最终排名通过逐元素乘法 f = fF ⊙ fB 计算，强调既可达又可能返回用户偏好的物品。
• 提出一种高效的在线更新算法，可在不重新计算整个排名的情况下处理新评分，显著降低计算成本。

实验结果

研究问题

• RQ1 基于超图的随机游走模型是否能在 top-N 推荐中，于精度、召回率和多样性方面超越现有的协同过滤与全局排序方法？
• RQ2 该算法在稀疏和密集评分矩阵中，对热门和小众物品的捕捉能力如何？
• RQ3 该算法是否能在无需参数调优的情况下保持高性能？
• RQ4 所提算法的计算复杂度如何？当新用户评分到达时，是否能实现高效更新？
• RQ5 前向与后向传播的结合相比单向方法，如何提升推荐质量？

主要发现

• 在 Movielens 和 Jester 数据集上，B-Rank 相较于最先进算法，精度和召回率提升 19–50%。
• 该算法展现出 20–60% 更高的列表间多样性，表明其在不同用户间推荐结果更具多样性。
• B-Rank 有效捕捉了热门物品（被众多用户共享）和小众物品（仅被特定用户群体共享），如玩具网络示例所验证。
• 该方法为无参设计，无需超参数调优，简化了部署流程并增强了鲁棒性。
• 所提出的在线更新算法在新增评分时显著降低了计算复杂度，支持可扩展的实时推荐。
• 前向与后向传播机制成功建模了直接与间接的物品相似性，最终得分 f = fF ⊙ fB 表示从用户评分物品出发的往返游走概率。