[论文解读] Do Social Explanations Work? Studying and Modeling the Effects of Social Explanations in Recommender Systems

Amit Sharma, Dan Cosley|arXiv (Cornell University)|Apr 11, 2013

Recommender Systems and Techniques参考文献 19被引用 35

一句话总结

本文研究了社交解释（如“X位朋友喜欢此音乐”）如何影响音乐推荐系统中用户决策。论文提出了一种生成式概率模型，捕捉社交影响与内在偏好之间的相互作用，发现社交解释能提升用户的初始兴趣，但与实际听感评分的相关性较低，表明其具有说服力但缺乏信息量。

ABSTRACT

Recommender systems associated with social networks often use social explanations (e.g. "X, Y and 2 friends like this") to support the recommendations. We present a study of the effects of these social explanations in a music recommendation context. We start with an experiment with 237 users, in which we show explanations with varying levels of social information and analyze their effect on users' decisions. We distinguish between two key decisions: the likelihood of checking out the recommended artist, and the actual rating of the artist based on listening to several songs. We find that while the explanations do have some influence on the likelihood, there is little correlation between the likelihood and actual (listening) rating for the same artist. Based on these insights, we present a generative probabilistic model that explains the interplay between explanations and background information on music preferences, and how that leads to a final likelihood rating for an artist. Acknowledging the impact of explanations, we discuss a general recommendation framework that models external informational elements in the recommendation interface, in addition to inherent preferences of users.

研究动机与目标

• 理解社交解释在音乐推荐情境中如何影响用户决策。
• 区分社交解释对初始兴趣（点击意愿）与消费后实际评价的影响。
• 建模社交影响与内在用户偏好在塑造推荐结果中的相互作用。
• 开发一种可推广的框架，将外部信息元素（如社交证明）整合到推荐系统中。
• 探讨社交解释对推荐界面中隐私、信任与用户控制的影响。

提出的方法

• 开展了一项包含237名参与者的用户研究，向参与者展示搭配不同社交解释（如喜欢某位音乐人的朋友数量、具体朋友姓名）的音乐推荐。
• 测量两个关键结果：(1) 用户在听歌前点击推荐音乐人的可能性；(2) 听完几首歌曲后的实际评分。
• 提出一种生成式概率模型，解释社交信息与内在偏好如何共同影响评分倾向。
• 利用用户评论的定性分析，识别出用户解释社交解释的多样化策略，支持个性化设计的必要性。
• 分析点击意愿评分与消费后评分之间的相关性，以评估解释是具有说服力还是信息性。
• 开发了一种推荐框架，明确建模外部界面元素（如社交证明）与用户偏好的协同作用。

实验结果

研究问题

• RQ1 不同类型的社交解释如何影响用户点击推荐音乐人的可能性？
• RQ2 社交解释在用户听歌后对实际评分的影响程度如何？
• RQ3 用户对同一音乐人的初始点击意愿评分与消费后评分之间是否存在相关性？
• RQ4 用户如何理解并解读社交解释？这些解读在个体之间是否存在差异？
• RQ5 生成式模型能否有效捕捉社交解释与内在偏好对用户决策的联合影响？

主要发现

• 社交解释显著提高了用户点击推荐音乐人的可能性，但其影响程度次于用户对音乐人本身的内在预期。
• 对同一音乐人而言，点击意愿评分与实际听感评分之间的相关性较低（未明确量化，但描述为“低”），表明社交解释具有说服力但缺乏信息量。
• 用户更易受音乐品味相近的可信朋友影响；不熟悉或品味不匹配的朋友则降低推荐的说服力。
• 用户采用多种策略解读社交解释，表明个性化解释可能提升其有效性。
• 生成式模型通过整合社交影响与内在偏好，成功解释了点击意愿评分中显著的变异部分。
• 隐私担忧存在但不占主导；大多数用户认为社交解释可接受，尤其在音乐领域；尽管部分用户对情境性误报偏好表示不适。