[论文解读] Improving an Hybrid Literary Book Recommendation System through Author Ranking

Paula Vaz, David Martins de Matos+2 more|arXiv (Cornell University)|Mar 23, 2012

Recommender Systems and Techniques参考文献 6被引用 16

一句话总结

本文提出了一种加权混合图书推荐系统，通过整合基于作者的推荐来增强基于项目的协同过滤（ICF）。通过将预测的作者扩展为图书列表，并使用加权算术平均法将它们与图书预测结果融合，该系统提升了推荐准确性——尤其在作者影响设为10%、图书影响设为90%时表现最佳，在LitRec数据集上实现了最优性能，每位作者最多推荐四本书。

ABSTRACT

Literary reading is an important activity for individuals and choosing to read a book can be a long time commitment, making book choice an important task for book lovers and public library users. In this paper we present an hybrid recommendation system to help readers decide which book to read next. We study book and author recommendation in an hybrid recommendation setting and test our approach in the LitRec data set. Our hybrid book recommendation approach purposed combines two item-based collaborative filtering algorithms to predict books and authors that the user will like. Author predictions are expanded in to a book list that is subsequently aggregated with the former list generated through the initial collaborative recommender. Finally, the resulting book list is used to yield the top-n book recommendations. By means of various experiments, we demonstrate that author recommendation can improve overall book recommendation.

研究动机与目标

• 评估基于项目的协同过滤（ICF）在低数据公共图书馆环境中是否能生成有效的图书推荐。
• 探究整合作者偏好是否能提升整体图书推荐性能。
• 确定混合推荐系统中图书与作者预测评分之间的最优权重分配。
• 建立每位作者的图书数量上限，以防止高产作者主导推荐结果，提升推荐多样性。
• 在LitRec数据集上验证混合方法的有效性，该数据集模拟了用户-图书交互数据有限的真实公共图书馆场景。

提出的方法

• 系统使用两种ICF算法：一种用于图书推荐（ICFB），另一种用于作者推荐（ICFA），两者均基于用户-物品交互矩阵。
• 通过将每本书分配给其作者的排名，并按图书流行度（数据集中的频率）加权，将作者预测扩展为图书列表。
• 为防止高产作者导致结果饱和，每位作者最多推荐四本书，该限制基于对预测质量的实证评估确定。
• 采用两种聚合函数——倒数排名融合（RRF）与协同过滤偏好聚合（CFPA）——来合并两个ICF组件的排名结果。
• 最终推荐得分通过加权算术平均（WAM）计算，其中总得分为 α × ICF_A + (1−α) × ICF_B，α 从 0 到 1 变化以测试不同权重组合。
• 通过排序最终融合得分向量并选取得分最高的前n本书，生成最终推荐列表。

实验结果

研究问题

• RQ1 基于项目的协同过滤是否能在低数据公共图书馆环境中生成可靠的图书推荐？
• RQ2 在混合系统中，整合作者偏好是否能提升图书推荐的准确性？
• RQ3 在混合推荐模型中，图书与作者预测评分之间的最优权重分配是什么？
• RQ4 限制每位作者的图书数量对推荐多样性与性能有何影响？
• RQ5 在组合图书与作者预测得分时，哪种聚合函数（RRF 或 CFPA）表现更优？

主要发现

• 仅使用基于项目的协同过滤在LitRec数据集上表现较差，前10名推荐中，平均仅在第三位左右才能将第一本相关图书排入。
• 整合作者推荐显著提升了整体推荐性能，尤其在结合图书共现数据时效果更明显。
• 最优权重组合为10%作者影响与90%图书影响，该结果基于不同α值下的MRR评估确定。
• 将每位作者的图书数量上限设为四本，可有效防止高产作者主导推荐结果，并提升预测质量，超过此限制后性能开始下降。
• RRF-RRF组合优于其他聚合函数配对，尽管在最优10%-90%权重分配下，RRF-RRF与CFPA-CFPA组合表现相近。
• 当作者预测被扩展为图书列表，并通过加权算术平均法与图书预测结果融合时，混合系统实现了最佳的平均倒数排名（MRR）