[论文解读] CoupleNet: Paying Attention to Couples with Coupled Attention for Relationship Recommendation

Yi Tay, Luu Anh Tuan+1 more|arXiv (Cornell University)|May 29, 2018

Mental Health via Writing被引用 10

一句话总结

该论文提出 COUPLENET，一种新颖的端到端深度学习模型，通过耦合注意力机制从社交媒体个人资料中估计浪漫关系的相容性，特别利用常规社交网络（RSNs）中的推文而非约会网站的数据。该模型在 HR@10 时达到最先进的精确率（64%），并展示了可解释的、基于潜在特征的推荐，即使没有显式的匹配信号。

ABSTRACT

Dating and romantic relationships not only play a huge role in our personal lives but also collectively influence and shape society. Today, many romantic partnerships originate from the Internet, signifying the importance of technology and the web in modern dating. In this paper, we present a text-based computational approach for estimating the relationship compatibility of two users on social media. Unlike many previous works that propose reciprocal recommender systems for online dating websites, we devise a distant supervision heuristic to obtain real world couples from social platforms such as Twitter. Our approach, the CoupleNet is an end-to-end deep learning based estimator that analyzes the social profiles of two users and subsequently performs a similarity match between the users. Intuitively, our approach performs both user profiling and match-making within a unified end-to-end framework. CoupleNet utilizes hierarchical recurrent neural models for learning representations of user profiles and subsequently coupled attention mechanisms to fuse information aggregated from two users. To the best of our knowledge, our approach is the first data-driven deep learning approach for our novel relationship recommendation problem. We benchmark our CoupleNet against several machine learning and deep learning baselines. Experimental results show that our approach outperforms all approaches significantly in terms of precision. Qualitative analysis shows that our model is capable of also producing explainable results to users.

研究动机与目标

• 解决仅依赖在线约会网站（DSNs）中的相互信号的关系推荐系统所存在的差距，因为这些信号可能无法反映长期相容性。
• 开发一种数据驱动的、基于文本的关系推荐系统，适用于 Twitter 等常规社交网络（RSNs），用户在这些平台上更自然地表达自我。
• 通过基于亲昵推文模式的新型远程监督方案，构建首个公开可用的真实世界情侣数据集，数据来源为 RSNs。
• 设计一种端到端深度学习模型，联合执行用户画像构建与相容性预测，无需人工特征工程。
• 通过注意力机制突出显示关键推文和潜在用户属性，实现可解释的推荐。

提出的方法

• 利用远程监督启发式方法，通过识别两位用户之间的亲昵推文（如“爱你”、“宝贝”）从 Twitter 中提取真实世界的浪漫情侣关系。
• 构建 LOVEBIRDS2M 数据集——约 200 万条推文，包含经验证的真实关系，可通过推文 ID 公开分发。
• 采用分层循环神经网络（GRUs）在词和句子两个层次上编码用户个人资料，以捕捉用户表达的序列性和上下文信息。
• 提出一种新型耦合注意力机制，根据另一名用户的内容动态关注其个人资料中的相关部分，实现联合表征学习。
• 训练一个端到端的排序模型，使用对比损失结合困难负样本挖掘来处理类别不平衡问题，预测用户对之间的相容性得分。
• 通过可视化注意力权重，实现可解释性，揭示哪些推文对预测结果影响最大。

实验结果

研究问题

• RQ1 仅使用来自常规社交媒体个人资料的文本，而不依赖约会平台的相互信号，深度学习模型能否有效估计长期浪漫相容性？
• RQ2 模型在多大程度上能从社交媒体内容中推断用户属性（如人口统计特征、性格）和潜在特质（如情感倾向、情绪基调），以提升相容性预测效果？
• RQ3 当用户个人资料中缺乏显式匹配信号（如共同兴趣或人口统计信息）时，模型表现如何？
• RQ4 通过突出显示特定推文或用户行为，能否对模型的预测结果进行有意义的解释？
• RQ5 通过远程监督从 RSN 中获取真实情侣关系，是否能产生比现有基于 DSN 的方法更具鲁棒性和泛化能力的相容性预测？

主要发现

• 在从 100 个负样本中排序出一个正向情侣对时，COUPLENET 在 HR@10 时达到 64% 的精确率，显著优于多种机器学习和深度学习基线模型。
• 该模型成功识别出相互兴趣和共同主题（如学校活动、情感表达）作为相容性的关键信号，即使这些内容未被明确提及。
• COUPLENET 在未提供相关信息的情况下，能够推断出用户属性，如关系状态、情绪基调以及人口统计线索（如高中、毕业舞会等）。
• 即使用户个人资料缺乏显式匹配信号，模型仍保持强劲性能，证明其能够学习并利用如情感倾向和性格等潜在特征。
• 耦合注意力机制通过为每位用户排序最相关的推文，产生可解释的结果，定性分析显示其与人类直觉一致。
• 尽管存在类别不平衡问题，模型在多样化用户个人资料上仍表现出良好的泛化能力，表明其在真实社交媒体数据中的鲁棒性。