[论文解读] Collaborative Filtering with Social Exposure: A Modular Approach to Social Recommendation

Menghan Wang, Xiaolin Zheng+2 more|arXiv (Cornell University)|Nov 30, 2017

Recommender Systems and Techniques被引用 27

一句话总结

本文提出 SERec，一种新颖的模块化社交推荐方法，通过社交网络中的用户对物品的曝光而非假设共享偏好来建模用户曝光。通过使用社交正则化与社交增强来估计曝光，SERec 提升了协同过滤性能，在四个真实世界数据集上优于最先进方法，同时在不同设置下展现出更好的鲁棒性与可扩展性。

ABSTRACT

This paper is concerned with how to make efficient use of social information to improve recommendations. Most existing social recommender systems assume people share similar preferences with their social friends. Which, however, may not hold true due to various motivations of making online friends and dynamics of online social networks. Inspired by recent causal process based recommendations that first model user exposures towards items and then use these exposures to guide rating prediction, we utilize social information to capture user exposures rather than user preferences. We assume that people get information of products from their online friends and they do not have to share similar preferences, which is less restrictive and seems closer to reality. Under this new assumption, in this paper, we present a novel recommendation approach (named SERec) to integrate social exposure into collaborative filtering. We propose two methods to implement SERec, namely social regularization and social boosting, each with different ways to construct social exposures. Experiments on four real-world datasets demonstrate that our methods outperform the state-of-the-art methods on top-N recommendations. Further study compares the robustness and scalability of the two proposed methods.

研究动机与目标

• 为解决现有社交推荐系统假设社交好友偏好相似的局限性，该假设可能因在线交友动机多样而失效。
• 将用户对物品的曝光建模为受社交网络影响的独立阶段，将曝光与偏好建模解耦，实现更真实的推荐。
• 开发一种模块化框架，将社交曝光整合至协同过滤中，而不限制评分模型。
• 评估两种实现方式——社交正则化与社交增强——在有效性、鲁棒性与可扩展性方面的表现。
• 证明社交曝光而非偏好相似性，是提升推荐准确性的更可靠信号。

提出的方法

• SERec 使用社交网络信息对用户对物品的曝光进行建模，将社交影响视为曝光的驱动因素而非偏好来源。
• 社交正则化通过带社交正则项的矩阵分解，约束用户与其好友之间的曝光相似性。
• 社交增强采用通用函数基于社交链接计算曝光，支持灵活集成高级社交网络分析技术。
• 该框架将曝光建模与评分预测分离，实现模块化设计并支持独立优化。
• 曝光估计结果用于指导协同过滤，提升冷启动与稀疏用户的评分预测性能。
• 两种方法均采用类似 EM 的迭代训练过程，并支持并行化以提升可扩展性。

实验结果

研究问题

• RQ1 将社交曝光而非偏好相似性作为建模目标，是否能带来更好的推荐性能？
• RQ2 所提出的两种实现方式——社交正则化与社交增强——在准确率、鲁棒性与可扩展性方面表现如何比较？
• RQ3 社交信息在多大程度上影响用户曝光？这种影响如何作用于评分预测？
• RQ4 一种将曝光建模与评分预测解耦的模块化方法，能否实现更优性能与更高灵活性？
• RQ5 该框架在具有不同稀疏性与社交网络结构的多样化真实世界数据集上表现如何？

主要发现

• SERec 在所有四个基准数据集（Last.fm、Delicious、Douban 和 Epinions）上均优于最先进社交推荐方法。
• SERec 的社交增强变体在社交网络规模与结构变化下表现出更高的鲁棒性，在不同数据集上性能更稳定。
• SERec regular 在计算效率上更优，内存开销更低，其在测试数据集上的训练时间为 66–2,339 秒。
• SERec boost 由于需存储所有用户-物品对的曝光估计，空间复杂度更高，但更易于扩展至复杂社交影响模型。
• 实证结果证实，社交信息显著影响用户曝光，验证了基于曝光建模方法的核心假设。
• 模块化设计支持更优整合高级社交网络分析技术（如社交传染与结构影响力）至推荐流程。