[论文解读] From Amateurs to Connoisseurs: Modeling the Evolution of User Expertise through Online Reviews

Julian McAuley, Jure Leskovec|arXiv (Cornell University)|Mar 18, 2013

Digital Marketing and Social Media参考文献 24被引用 130

一句话总结

本文提出了一种潜在因子推荐系统，将用户专业知识建模为经验的单调递增函数，通过产品评分来学习个体用户的进步轨迹。通过捕捉品味随接触而演变的规律，该模型提升了推荐效果，并识别出如啤酒中的苦味（hops）等‘习得性偏好’——专家对高偏好评分的产品评价更积极，而新手则不然。

ABSTRACT

Recommending products to consumers means not only understanding their tastes, but also understanding their level of experience. For example, it would be a mistake to recommend the iconic film Seven Samurai simply because a user enjoys other action movies; rather, we might conclude that they will eventually enjoy it -- once they are ready. The same is true for beers, wines, gourmet foods -- or any products where users have acquired tastes: the `best' products may not be the most `accessible'. Thus our goal in this paper is to recommend products that a user will enjoy now, while acknowledging that their tastes may have changed over time, and may change again in the future. We model how tastes change due to the very act of consuming more products -- in other words, as users become more experienced. We develop a latent factor recommendation system that explicitly accounts for each user's level of experience. We find that such a model not only leads to better recommendations, but also allows us to study the role of user experience and expertise on a novel dataset of fifteen million beer, wine, food, and movie reviews.

研究动机与目标

• 解决现有推荐系统无法建模用户随时间发展的局限性。
• 理解用户品味的演变不仅受产品年龄或社区趋势等外部因素影响，更源于产品消费本身。
• 开发一种显式考虑个体用户经验水平的推荐模型，以实现更优的个性化推荐。
• 在啤酒、葡萄酒、食品和电影等多样化领域中，发现并分析‘习得性偏好’——即仅在用户获得经验后才被偏好的产品。
• 探索在线社区中新手与专家评论者在语言和行为上的差异。

提出的方法

• 提出一种潜在因子模型，其中每位用户均具有随评分递增而单调非减的经验水平，以捕捉个人发展过程。
• 使用不同经验水平的独立潜在因子来建模用户偏好，使用户能随着经验积累在系统中‘进阶’。
• 采用约束优化框架，确保经验水平随时间非递减，以反映现实中的用户发展规律。
• 利用来自RateBeer、MovieLens及其他来源的1500万条大规模评论数据集进行模型训练与验证。
• 通过项目偏差分析，比较新手与专家对产品的平均评分，识别出习得性偏好。
• 开展定性与定量分析，验证经验作为用户评分行为中专业知识有意义代理变量的有效性。

实验结果

研究问题

• RQ1 用户专业知识如何随时间演变？这种演变能否被建模为经验的单调递增？
• RQ2 新手与专家用户在评分行为上存在哪些差异？专家是否给出更极端的评分？
• RQ3 在不同产品领域中，哪些产品属于‘习得性偏好’——即仅由有经验的用户偏好的产品？
• RQ4 与传统的时间或社区层面建模方法相比，建模用户经验是否能提升推荐准确率？
• RQ5 在在线评论社区中，新手与专家评论者的语言特征和写作行为有何不同？

主要发现

• 专家对高分产品评分更高，对低分产品评分更严厉，表明其偏好更具极端性但更一致。
• 考虑用户经验的模型在推荐准确率上优于仅建模产品或社区层面时间动态的模型。
• 如Imperial Stout和Quadrupel等产品在专家中偏好度高，而新手则评分较低，表明存在习得性偏好行为。
• 如IPA等苦味浓郁的啤酒在专家中评分高，但常被新手排斥，证实了习得性偏好的存在。
• 该模型成功识别出用户经历个人化经验时间线，相似经验水平的用户表现出相似的评分模式，与时间顺序无关。
• 专业知识不仅与评分准确性相关，还体现在一致且极端的评分模式中，可能还反映在专业术语等语言特征上。