[论文解读] div2vec: Diversity-Emphasized Node Embedding

Ji-Su Jeong, Jeong-Min Yun+4 more|arXiv (Cornell University)|Sep 21, 2020

Recommender Systems and Techniques参考文献 19被引用 4

一句话总结

该论文提出 div2vec，一种基于随机游走的节点嵌入方法，通过更频繁地采样低度数节点来增强推荐的多样性——这与 DeepWalk 和 node2vec 等传统方法相反。通过将基于度数的采样概率取反，div2vec 确保了随机游走中节点表示的更均匀分布，在 MovieLens、WATCHA 和 LINE Wallet Coupon 的离线与真实世界评估中，均提升了准确率与多样性。

ABSTRACT

Recently, the interest of graph representation learning has been rapidly increasing in recommender systems. However, most existing studies have focused on improving accuracy, but in real-world systems, the recommendation diversity should be considered as well to improve user experiences. In this paper, we propose the diversity-emphasized node embedding div2vec, which is a random walk-based unsupervised learning method like DeepWalk and node2vec. When generating random walks, DeepWalk and node2vec sample nodes of higher degree more and nodes of lower degree less. On the other hand, div2vec samples nodes with the probability inversely proportional to its degree so that every node can evenly belong to the collection of random walks. This strategy improves the diversity of recommendation models. Offline experiments on the MovieLens dataset showed that our new method improves the recommendation performance in terms of both accuracy and diversity. Moreover, we evaluated the proposed model on two real-world services, WATCHA and LINE Wallet Coupon, and observed the div2vec improves the recommendation quality by diversifying the system.

研究动机与目标

• 解决现有推荐系统图表示学习方法缺乏多样性的不足。
• 通过确保推荐不过度集中于高阶、热门项目，提升用户体验。
• 开发一种无监督的、基于随机游走的节点嵌入方法，明确促进学习表示中的多样性。
• 验证以多样性为导向的采样策略是否能带来超越准确率本身的更好推荐质量。

提出的方法

• div2vec 通过将采样概率与节点度数成反比，修改了随机游走过程。
• 与 DeepWalk 和 node2vec 不同，后者倾向于选择高阶节点，div2vec 增加了选择低阶节点的可能性。
• 该方法保持了 skip-gram 框架，用于从生成的多样化随机游走中学习节点嵌入。
• 通过负采样训练节点嵌入，以优化包含多样性感知游走生成的 skip-gram 目标。
• 该方法为无监督方法，无需用户反馈标签或显式的多样性约束。
• 最终的嵌入用于下游推荐任务，以同时提升准确率与多样性指标。

实验结果

研究问题

• RQ1 基于随机游走的节点嵌入方法是否能在不牺牲准确率的前提下提升推荐多样性？
• RQ2 与按度数成比例的采样相比，反度数采样如何影响随机游走中节点的分布？
• RQ3 所提出的方法是否在真实世界系统中带来优于合成基准的推荐质量？
• RQ4 推荐的多样性在多大程度上与生产环境中的用户参与度相关？

主要发现

• div2vec 在 MovieLens 数据集上显著提升了推荐多样性，同时保持或改善了准确率指标。
• 与 DeepWalk 和 node2vec 相比，该方法在覆盖率和列表内相似性等标准多样性度量上取得了更高的多样性得分。
• 在 WATCHA 和 LINE Wallet Coupon 的真实世界部署中，div2vec 生成了更多样化的推荐，显著提升了用户体验。
• 离线评估证实，反度数采样使图中节点表示的分布更加均匀。
• 结果表明，可通过在随机游走生成中战略性地采样，显式增强多样性。
• div2vec 在准确率与多样性两方面均优于基线方法，证明了其在实际推荐系统中的有效性。