[论文解读] Cross-domain novelty seeking trait mining for sequential recommendation

Fuzhen Zhuang, Yingmin Zhou+4 more|arXiv (Cornell University)|Mar 5, 2018

Recommender Systems and Techniques参考文献 19被引用 6

一句话总结

本文提出CDNST，一种跨域迁移学习模型，通过挖掘用户在多个领域（如书籍、音乐、电影）的序列行为数据中的新颖性寻求特征，以提升序列推荐性能。通过在不同领域间共享新颖性寻求特征参数，并利用时间感知的相关性度量，CDNST在源领域行为先于目标领域行为时取得显著性能提升，显示出相较于单领域基线模型的更高准确性。

ABSTRACT

Transfer learning has attracted a large amount of interest and research in last decades, and some efforts have been made to build more precise recommendation systems. Most previous transfer recommendation systems assume that the target domain shares the same/similar rating patterns with the auxiliary source domain, which is used to improve the recommendation performance. However, to the best of our knowledge, almost these works do not consider the characteristics of sequential data. In this paper, we study the new cross-domain recommendation scenario for mining novelty-seeking trait. Recent studies in psychology suggest that novelty-seeking trait is highly related to consumer behavior, which has a profound business impact on online recommendation. Previous work performing on only one single target domain may not fully characterize users' novelty-seeking trait well due to the data scarcity and sparsity, leading to the poor recommendation performance. Along this line, we proposed a new cross-domain novelty-seeking trait mining model (CDNST for short) to improve the sequential recommendation performance by transferring the knowledge from auxiliary source domain. We conduct systematic experiments on three domain data sets crawled from Douban (www.douban.com) to demonstrate the effectiveness of the proposed model. Moreover, we analyze how the temporal property of sequential data affects the performance of CDNST, and conduct simulation experiments to validate our analysis.

研究动机与目标

• 通过利用跨域知识迁移，解决序列推荐中的数据稀疏性和冷启动问题。
• 在多个领域中建模用户的新颖性寻求人格特征——与对多样性和新颖性的偏好相关——以提升推荐准确性。
• 开发一种时间感知的迁移学习框架，尊重用户在不同领域行为的序列顺序。
• 验证当源领域行为先于目标领域行为时，跨域迁移在序列推荐场景中的有效性。

提出的方法

• CDNST在源域和目标域之间共享表示用户新颖性寻求特征的参数，以实现知识迁移。
• 该模型使用时间感知的相关性度量 $ Sim(A \rightarrow B) $ 来评估领域A中的行为是否能为领域B的推荐提供信息，基于用户行为的时间顺序。
• 通过在搜索引擎结果上使用word2vec嵌入计算关键词相似性，以衡量不同领域中行为之间的语义相关性。
• 相关性度量 $ Sim(A_u \rightarrow B_u) $ 定义为用户 $ u $ 在领域A和B中的行为在时间窗口 $ \tau $ 内对齐的关键词对的平均余弦相似度。
• 整体迁移适宜性通过所有用户的时间相关性得分的平均值计算得出。
• 通过选择满足 $ Sim(A_u \rightarrow B_u) > Sim(B_u \rightarrow A_u) $ 的用户，实施个性化迁移，实现有针对性的知识迁移。

实验结果

研究问题

• RQ1 当源领域行为先于目标领域行为时，新颖性寻求特征的跨域迁移是否能提升序列推荐性能？
• RQ2 跨领域序列行为的时间顺序如何影响推荐系统中知识迁移的有效性？
• RQ3 基于数据驱动、上下文感知的相关性度量 $ Sim(A \rightarrow B) $ 是否能有效识别出合适的跨域迁移场景？
• RQ4 基于用户级相关性的个性化迁移是否在跨域推荐中优于领域级迁移？

主要发现

• CDNST相较于单领域基线模型显著提升了推荐准确性，尤其在源领域行为早于目标领域行为时表现更优。
• 该模型性能对序列数据的时间特性敏感，当源领域行为在时间上先于目标领域行为时，性能增益更显著。
• 所提出的相关性度量 $ Sim(A \rightarrow B) $ 成功识别出可迁移的场景，且在有效 $ A \rightarrow B $ 方向上得分高于反向，验证了其设计的合理性。
• 基于 $ Sim $ 度量的个性化迁移相比领域级迁移带来了额外的性能提升，证实其在选择合适迁移对方面的有效性。
• 模拟实验表明，行为的时间顺序是跨域序列推荐中成功知识迁移的关键因素。
• 该模型在从豆瓣爬取的三个真实世界领域（书籍、音乐、电影）中表现出稳健性，验证了其在多样化序列数据上的泛化能力。