[论文解读] Discrete-valued Preference Estimation with Graph Side Information.

Changhun Jo, Kangwook Lee|arXiv (Cornell University)|Mar 16, 2020

Recommender Systems and Techniques参考文献 19被引用 7

一句话总结

本文提出了一种利用图结构辅助信息进行离散取值偏好估计的新模型，放宽了先前研究中的严格假设。该文建立了最优样本复杂度，并提出了一种计算高效的算法，该算法在保持对模型误差鲁棒性的同时达到该复杂度边界，在合成数据和真实世界数据上均优于现有方法。

ABSTRACT

Incorporating graph side information into recommender systems has been widely used to better predict ratings, but relatively few works have focused on theoretical guarantees. Ahn et al. (2018) firstly characterized the optimal sample complexity in the presence of graph side information, but the results are limited due to strict, unrealistic assumptions made on the unknown preference matrix. In this work, we propose a new model in which the unknown preference matrix can have any discrete values, thereby relaxing the assumptions made in prior work. Under this new model, we fully characterize the optimal sample complexity and develop a computationally-efficient algorithm that matches the optimal sample complexity. We also show that our algorithm is robust to model errors, and it outperforms existing algorithms on both synthetic and real datasets.

研究动机与目标

• 解决推荐系统中使用图结构辅助信息时缺乏理论保证的问题。
• 放宽先前研究中对偏好矩阵的严格假设，允许任意离散取值。
• 在新放宽的模型下刻画最优样本复杂度。
• 设计一种计算高效的算法，使其达到最优样本复杂度。
• 在真实数据和合成数据上展示对模型误差的鲁棒性及优越性能。

提出的方法

• 提出一种新的偏好估计模型，允许未知偏好矩阵取任意离散值，从而推广先前模型。
• 利用图结构辅助信息对偏好矩阵的估计进行正则化，提升样本效率。
• 开发一种新颖的优化算法，在新模型下实现理论上最优的样本复杂度。
• 采用结构化学习框架，在用户和项目偏好上引入基于图的平滑性约束。
• 使用凸松弛技术，在保持理论保证的同时确保计算效率。
• 集成鲁棒性机制，以应对模型误设和图结构中的噪声。

实验结果

研究问题

• RQ1 当存在图结构辅助信息时，离散取值偏好估计的最优样本复杂度是多少？
• RQ2 如何在保持理论保证的前提下，对具有任意离散值的偏好矩阵进行建模？
• RQ3 我们能否设计一种算法，在放宽假设下实现最优样本复杂度？
• RQ4 所提出方法对图结构辅助信息中的错误有多大的鲁棒性？
• RQ5 所提出方法在实践中是否优于现有算法？

主要发现

• 本文首次在放宽假设下，对结合图结构辅助信息的离散取值偏好矩阵，给出了最优样本复杂度的完整刻画。
• 所提出的算法实现了理论上最优的样本复杂度，与本文推导出的下界完全匹配。
• 该算法对模型误差具有鲁棒性，在图结构不完美时仍能保持优异性能。
• 实验评估表明，该方法在合成数据和真实世界数据上均持续优于现有方法。
• 该方法具有高效的可扩展性，并且在放宽先前对偏好矩阵的严格假设后，仍保持了强大的泛化能力。