[论文解读] Context Tree for Adaptive Session-based Recommendation

Fei Mi, Boi Faltings|arXiv (Cornell University)|Jun 10, 2018

Recommender Systems and Techniques参考文献 27被引用 8

一句话总结

本文提出一种用于自适应会话推荐的上下文树（CT）模型，利用可变阶马尔可夫模型高效学习序列模式，并在观测数据有限的情况下适应新项目。CT在新项目频繁出现的自适应设置下显著优于最先进方法（包括RNN和启发式最近邻方法），尤其在长会话和新内容上表现更优。

ABSTRACT

There has been growing interests in recent years from both practical and research perspectives for session-based recommendation tasks as long-term user profiles do not often exist in many real-life recommendation applications. In this case, recommendations for user's immediate next actions need to be generated based on patterns in anonymous short sessions. An often overlooked aspect is that new items with limited observations arrive continuously in many domains (e.g. news and discussion forums). Therefore, recommendations need to be adaptive to such frequent changes. In this paper, we benchmark a new nonparametric method called context tree (CT) against various state-of-the-art methods on extensive datasets for session-based recommendation task. Apart from the standard static evaluation protocol adopted by previous literatures, we include an adaptive configuration to mimic the situation when new items with limited observations arrives continuously. Our results show that CT outperforms two best-performing approaches (recurrent neural network; heuristic-based nearest neighbor) in majority of the tested configurations and datasets. We analyze reasons for this and demonstrate that it is because of the better adaptation to changes in the domain, as well as the remarkable capability to learn static sequential patterns. Moreover, our running time analysis illustrates the efficiency of using CT as other nonparametric methods.

研究动机与目标

• 解决在缺乏长期用户画像的会话推荐系统中推荐相关项目的问题。
• 不仅在静态配置下评估推荐模型，还在新项目持续到达且观测数据有限的自适应设置下进行评估。
• 证明非参数方法（如CT）更适用于动态推荐环境，因其具备高效的更新与适应能力。
• 在静态与自适应评估协议下，将CT与最先进模型（如GRU4Rec、SKNN、Online-MF）在多样化数据集上进行基准对比。
• 展示CT能有效结合静态序列模式学习与对稀疏观测新项目的快速适应。

提出的方法

• 将上下文树（CT）这一原本专为无损数据压缩设计的非参数结构应用于会话推荐。
• 使用可变阶马尔可夫模型捕捉用户会话中的序列依赖关系，其中上下文长度根据数据可用性自适应调整。
• 在树结构中存储并更新转移概率，该结构随新项目和会话模式的出现而动态扩展。
• 通过仅修改对应于观测到的项目序列的树中路径，实现高效模型更新，避免完整重训练。
• 通过利用树中共享上下文，整合旧知识与新知识，实现对新项目的快速推理与适应。
• 在两种配置下评估CT：标准静态评估和一种新颖的自适应配置，模拟新项目持续到达且观测稀疏的场景。

实验结果

研究问题

• RQ1 在标准静态评估设置下，上下文树（CT）模型相较于最先进方法（如RNN、KNN、MF）的表现如何？
• RQ2 CT能否在动态环境中有效适应观测数据有限的新项目？与其他非参数及参数模型相比表现如何？
• RQ3 CT学习可变阶序列模式的能力在多大程度上提升了其性能，特别是在长会话中？
• RQ4 不同模型的推荐项目新鲜度（即项目创建以来的时间）与推荐性能之间存在何种相关性？
• RQ5 在真实自适应推荐系统中，模型适应能力、推理效率与性能之间的权衡如何？

主要发现

• CT在多数测试数据集和配置下优于两种领先方法——GRU4Rec与SKNN，尤其在存在新项目的自适应设置中表现更优。
• 在自适应评估中，CT推荐的新项目数量显著多于Online-MF，经验累积分布函数（ECDF）显示随着项目新鲜度提升，推荐频率急剧上升。
• CT在所有项目新鲜度水平下均保持稳定性能，对新项目（尤其是长会话，如MOOC数据集）始终优于SKNN与GRU4Rec。
• CT的条件成功概率P(Success|Freshness)即使对极新项目也保持较高水平，表明其对稀疏数据和动态项目池具有强大适应能力。
• 运行时间分析表明，CT计算效率高，训练与更新时间快速，适合在动态环境中工业级部署。
• 尽管RNN（如GRU4Rec）在数据充足时对长会话表现良好，但因有限观测下的泛化能力差，难以适应新项目，凸显了非参数方法在自适应场景中的优势。