[论文解读] Context-Aware Service Recommendation System for the Social Internet of Things

Amar Khelloufi, Huansheng Ning+3 more|arXiv (Cornell University)|Aug 14, 2023

Digital Marketing and Social MediaSocial Sciences被引用 3

一句话总结

本文提出CASR-SIoT，一种面向社交物联网（Social Internet of Things）的上下文感知服务推荐系统，通过因子分解机（Factorization Machines）整合基于评论的特征学习与基于参与度的特征学习，以建模高阶特征交互。该框架通过有效捕捉设备-服务对中的上下文与潜在特征交互，在召回率上较基线方法提升12.5%，在精确率上提升19.46%。

ABSTRACT

The Social Internet of Things (SIoT) enables interconnected smart devices to share data and services, opening up opportunities for personalized service recommendations. However, existing research often overlooks crucial aspects that can enhance the accuracy and relevance of recommendations in the SIoT context. Specifically, existing techniques tend to consider the extraction of social relationships between devices and neglect the contextual presentation of service reviews. This study aims to address these gaps by exploring the contextual representation of each device-service pair. Firstly, we propose a latent features combination technique that can capture latent feature interactions, by aggregating the device-device relationships within the SIoT. Then, we leverage Factorization Machines to model higher-order feature interactions specific to each SIoT device-service pair to accomplish accurate rating prediction. Finally, we propose a service recommendation framework for SIoT based on review aggregation and feature learning processes. The experimental evaluation demonstrates the framework's effectiveness in improving service recommendation accuracy and relevance.

研究动机与目标

• 为解决现有SIoT推荐系统中忽略服务评论的上下文呈现且未能建模潜在特征交互的问题。
• 通过结合基于评论与基于参与度的特征学习，提升设备-服务对的推荐准确率。
• 评估选择性层在从用户评论和服务文档中提取相关语义信息方面的有效性。
• 研究超参数设置对动态SIoT环境中推荐性能的影响。
• 开发一个整合社交关系、上下文数据与多模态特征的框架，以实现个性化服务推荐。

提出的方法

• 提出一种潜在特征组合技术，用于聚合设备-设备关系，并捕捉SIoT中潜在的特征交互。
• 采用因子分解机，为每个设备-服务对建模高阶特征交互，以实现精确的评分预测。
• 引入基于评论的特征学习组件，并配备选择性层，以从用户评论和服务文档中提取并优先处理相关语义信息。
• 结合基于参与度与基于评论的特征学习，构建全面的设备-服务表征。
• 利用类似知识图谱的结构，建模SIoT中设备与用户之间的社交关系与偏好。
• 采用混合学习架构，融合多模态数据、社交关联与上下文因素，以提升推荐的相关性。

实验结果

研究问题

• RQ1 基于评论与基于参与度的特征学习的整合如何影响SIoT中服务推荐的性能？
• RQ2 不同超参数设置对推荐系统准确率与有效性的影晌如何？
• RQ3 选择性层在基于评论的特征学习过程中，识别设备-服务对相关语义信息的有效性如何？
• RQ4 所提出的框架在不同数据集上，于精确率、召回率与F1值方面，相较于现有基线模型的优越程度如何？
• RQ5 该框架在大规模SIoT环境中处理动态与稀疏数据的能力如何？

主要发现

• CASR-SIoT框架在所有三个数据集上均优于基线方法，相较于基于LR的基线，召回率提升12.50%，精确率提升19.46%。
• 在基于评论的特征学习组件中移除选择性层后，性能出现显著下降，证实其在识别相关语义特征中的关键作用。
• 基于FM的模型表现最差（F1: 0.7423），表明仅使用因子分解机不足以实现高性能，必须结合集成的特征学习组件。
• 在家电、手机与电子产品类别中，该框架表现出色，F1分数分别达到0.874、0.812与0.831。
• 同时整合基于参与度与基于评论的特征学习，显著增强了系统建模上下文感知交互的能力，并提升了推荐的相关性。
• 结果表明，对服务评论与社交关系进行上下文感知建模，可显著提升动态SIoT环境中推荐的准确性与个性化程度。