[论文解读] Hyperbolic Recommender Systems.

Tran Dang Quang Vinh, Yi Tay+3 more|arXiv (Cornell University)|Sep 5, 2018

Recommender Systems and Techniques参考文献 23被引用 21

一句话总结

本文提出 HyperBPR，一种超度量推荐系统，通过在超度量空间中学习用户和物品嵌入，以更好地捕捉用户-物品之间的层次关系。通过利用超度量空间的内在曲率，HyperBPR 在基准数据集上优于基于欧几里得空间的模型，并实现了最先进性能，证明了其在个性化推荐中更优的表征学习能力。

ABSTRACT

Many well-established recommender systems are based on representation learning in Euclidean space. In these models, matching functions such as the Euclidean distance or inner product are typically used for computing similarity scores between user and item embeddings. This paper investigates the notion of learning user and item representations in Hyperbolic space. In this paper, we argue that Hyperbolic space is more suitable for learning user-item embeddings in the recommendation domain. Unlike Euclidean spaces, Hyperbolic spaces are intrinsically equipped to handle hierarchical structure, encouraged by its property of exponentially increasing distances away from origin. We propose HyperBPR (Hyperbolic Bayesian Personalized Ranking), a conceptually simple but highly effective model for the task at hand. Our proposed HyperBPR not only outperforms their Euclidean counterparts, but also achieves state-of-the-art performance on multiple benchmark datasets, demonstrating the effectiveness of personalized recommendation in Hyperbolic space.

研究动机与目标

• 探究超度量空间是否比欧几里得空间更适合于推荐系统中用户和物品嵌入的学习。
• 解决欧几里得空间在建模用户-物品交互中常见的层次数据结构时的局限性。
• 开发一种概念简单但高效的模型，利用超度量几何实现个性化排序。
• 证明超度量表示可在标准推荐基准上实现最先进性能。

提出的方法

• 模型使用庞加莱球模型在超度量空间中学习用户和物品嵌入，该模型支持高效的优化和层次化表征。
• 采用适配于超度量几何的贝叶斯个性化排序（BPR）损失函数，以优化排序偏好。
• 模型使用超度量距离作为用户和物品嵌入之间的相似性度量，利用远离原点处空间的指数增长特性。
• 通过在庞加莱球流形上进行随机梯度下降优化，保持空间的内在几何结构。
• 模型架构保持简单的前馈设计，无需复杂操作，从而实现高效的训练与推理。
• 该方法端到端可微，支持通过超度量嵌入空间进行反向传播。

实验结果

研究问题

• RQ1 在推荐系统中，超度量空间是否能比欧几里得空间更好地表征用户-物品交互的层次模式？
• RQ2 超度量空间的曲率如何影响个性化排序模型的性能？
• RQ3 在超度量空间中学习是否能带来相比最先进欧几里得模型的推荐准确率提升？
• RQ4 超度量嵌入在多大程度上能捕捉现实世界数据集中长尾和层次化的物品结构？

主要发现

• HyperBPR 在多个基准数据集上实现了最先进性能，优于现有的基于欧几里得空间的模型。
• 该模型在长尾物品上的表现尤为突出，表明其对层次化物品结构的捕捉能力更强。
• 由于超度量空间的指数容量，超度量表示在 NDCG 和 Recall 等指标上表现出更优的排序质量。
• 使用超度量几何可生成更紧凑且更具语义意义的表征，尤其在用户-物品交互稀疏的情况下优势明显。
• 在具有强层次结构的数据集中，模型的性能增益最为显著，验证了超度量空间的理论优势。
• 结果证实，超度量空间在建模推荐系统中的层次关系方面具有内在优越性。