[论文解读] Collaborative Filtering with Recurrent Neural Networks

Robin Devooght, Hugues Bersini|arXiv (Cornell University)|Aug 26, 2016

Recommender Systems and Techniques参考文献 17被引用 70

一句话总结

本文提出将协同过滤建模为使用长短期记忆（LSTM）网络的序列预测问题，将用户交互视为时间序列，以提高推荐准确率，特别是在短期预测和物品覆盖率方面。LSTM在捕捉用户偏好演变和提升推荐多样性方面优于传统的K近邻（KNN）和矩阵分解方法。

ABSTRACT

We show that collaborative filtering can be viewed as a sequence prediction problem, and that given this interpretation, recurrent neural networks offer very competitive approach. In particular we study how the long short-term memory (LSTM) can be applied to collaborative filtering, and how it compares to standard nearest neighbors and matrix factorization methods on movie recommendation. We show that the LSTM is competitive in all aspects, and largely outperforms other methods in terms of item coverage and short term predictions.

研究动机与目标

• 将协同过滤重新构想为序列预测问题，以更好地建模随时间演变的用户偏好。
• 评估LSTM在与K近邻（KNN）和矩阵分解等标准协同过滤方法对比下的性能表现。
• 探究基于序列的建模是否能提升推荐多样性与短期预测准确性。
• 评估在LSTM-based推荐性能中引入用户、物品和交互辅助特征的影响。

提出的方法

• 将协同过滤重构为序列预测任务，将用户行为建模为物品交互的时间序列。
• 使用长短期记忆（LSTM）网络从序列交互中学习用户轨迹表示。
• 训练LSTM以预测用户交互序列中的下一个物品，通过分类交叉熵损失优化短期预测。
• 通过独热编码引入辅助特征（用户人口统计信息、物品类型、评分），并将它们与物品嵌入拼接后作为LSTM的输入。
• 使用自定义指标“k时刻序列预测成功率”（sps@k）评估短期预测性能。
• 在Movielens 1M和Netflix数据集上，使用标准指标（sps@k、物品覆盖率、用户覆盖率、召回率@k）比较模型性能。

实验结果

研究问题

• RQ1 循环神经网络，特别是LSTM，能否有效将协同过滤建模为序列预测问题？
• RQ2 在短期和长期预测性能方面，基于LSTM的推荐与传统K近邻（KNN）和矩阵分解相比表现如何？
• RQ3 与静态协同过滤相比，引入交互的时间顺序是否能提升推荐多样性与覆盖率？
• RQ4 额外的用户、物品和交互特征在多大程度上能提升LSTM在协同过滤中的性能？

主要发现

• 当使用所有特征时，LSTM模型在Movielens 1M数据集上的物品覆盖率显著优于KNN和矩阵分解，达到666.17项。
• 在Movielens 1M数据集上，LSTM实现了34.97%的k时刻序列预测成功率（sps@k），优于所有基线方法。
• 该模型在短期预测方面表现更优，所有测试方法中sps@k得分最高。
• 仅当组合使用辅助特征（用户、物品、交互）时，性能才有所提升，sps@k从33.69%提升至34.97%，物品覆盖率从649.22提升至666.17。
• 基于序列的方法天然支持短期预测，并通过提升推荐多样性实现优化，因为短期预测是长期预测的子集。
• 结果表明，交互序列本身已隐含了辅助特征中的大部分信息，从而降低了添加这些特征的边际收益。