[论文解读] From Group Recommendations to Group Formation

Senjuti Basu Roy, Laks V. S. Lakshmanan+1 more|arXiv (Cornell University)|Mar 11, 2015

Mobile Crowdsensing and Crowdsourcing参考文献 26被引用 14

一句话总结

本文提出了一种推荐系统中的群体形成战略框架，旨在在两种标准群体推荐语义下——最小痛苦（LM）和综合投票（AV）——最大化用户满意度。该研究引入了高效的算法——GRD-LM-SUM 和启发式方法，分别用于 LM 和 AV，实现了有界误差或高可扩展性，并在真实世界数据集上得到验证，相较于即兴或基于相似度的分组方式，用户满意度显著提升。

ABSTRACT

There has been significant recent interest in the area of group recommendations, where, given groups of users of a recommender system, one wants to recommend top-k items to a group that maximize the satisfaction of the group members, according to a chosen semantics of group satisfaction. Examples semantics of satisfaction of a recommended itemset to a group include the so-called least misery (LM) and aggregate voting (AV). We consider the complementary problem of how to form groups such that the users in the formed groups are most satisfied with the suggested top-k recommendations. We assume that the recommendations will be generated according to one of the two group recommendation semantics - LM or AV. Rather than assuming groups are given, or rely on ad hoc group formation dynamics, our framework allows a strategic approach for forming groups of users in order to maximize satisfaction. We show that the problem is NP-hard to solve optimally under both semantics. Furthermore, we develop two efficient algorithms for group formation under LM and show that they achieve bounded absolute error. We develop efficient heuristic algorithms for group formation under AV. We validate our results and demonstrate the scalability and effectiveness of our group formation algorithms on two large real data sets.

研究动机与目标

• 为填补群体推荐系统中即兴或基于相似度的群体形成假设所导致的空白，提出一种不依赖于即兴或相似度方法、而是针对满意度优化群体构成的解决方案。
• 将群体形成形式化为一个优化问题，以在推荐遵循既定群体语义（如 LM 或 AV）时，最大化用户满意度的总和。
• 设计高效、可扩展的算法，在 LM 和 AV 语义下均实现有界误差或高性能，避免依赖启发式方法或相似度度量。
• 验证战略性群体形成相较于传统方法可显著提升满意度，尤其在用户偏好存在差异但人口统计特征相似时表现更优。
• 为现有推荐系统提供一种非侵入性、可插拔的解决方案，可在不改变推荐语义的前提下无缝集成。

提出的方法

• 在 LM 和 AV 语义下，将群体形成问题建模为整数规划（IP）模型，使用二值变量表示用户分组及选择 top-k 项目。
• 针对 LM，引入约束以确保每组中 top-k 项目里第 k 个项目的得分是该组中最小的，并采用最小聚合目标函数以最大化最低用户满意度。
• 针对 AV，修改目标函数为对群体内用户得分求和，并使用求和聚合函数以最大化集体满意度。
• 提出 GRD-LM-SUM 算法，一种基于贪婪策略的高效启发式方法，通过迭代根据满意度边际增益将用户分配至群体，实现有界绝对误差。
• 为 AV 提出启发式算法，优先选择集体项目得分较高的用户分组，利用排序与贪婪分配策略，实现对大规模数据集的可扩展性。
• 采用两阶段方法：第一阶段，基于所选语义计算用户-项目得分；第二阶段，应用群体形成算法将用户划分为 ℓ 个互不相交的群体，以最大化总满意度。

实验结果

研究问题

• RQ1 我们能否在使用既定群体推荐语义（如最小痛苦（LM）或综合投票（AV））时，系统性地形成用户群体以最大化满意度？
• RQ2 如何设计高效算法以在 LM 语义下实现可证明的性能边界？
• RQ3 在 AV 语义下，哪些启发式策略能有效扩展至大规模数据集，同时保持高满意度？
• RQ4 战略性群体形成与即兴或基于相似度的分组在用户满意度和可扩展性方面有何差异？
• RQ5 在群体形成阶段直接嵌入群体推荐语义，相较于将群体形成视为独立的启发式过程，能在多大程度上提升整体系统性能？

主要发现

• 在 LM 和 AV 语义下，群体形成问题被证明为 NP-难问题，这为采用高效近似算法和启发式方法提供了合理性。
• GRD-LM-SUM 算法在 LM 下实现了有界绝对误差，确保即使在大规模场景下，解与最优解的差距也在可预测范围内。
• 在两个大规模真实世界数据集上，所提算法展现出高可扩展性，并在整体用户满意度方面显著优于即兴或基于相似度的群体形成方法。
• 在示例 B.11 中，GRD-LM-SUM 的目标值达到 20，而最优解为 21，表明该启发式方法仅相差 1 分，接近最优解。
• 该框架通过避免次优分组（如将偏好冲突的用户分在同一组）提升了满意度，从而减少了因项目推荐不匹配导致的不满。
• 结果证实，将群体推荐语义直接嵌入群体形成阶段，相比仅依赖人口统计或偏好相似度的传统方法，能带来更优的整体效果。