[论文解读] Improving Recommendation Systems with User Personality Inferred from Product Reviews

Xinyuan Lu, Min‐Yen Kan|arXiv (Cornell University)|Mar 9, 2023

Personality Traits and PsychologyPsychology被引用 3

一句话总结

本文提出一种方法，利用 Receptiviti API 从用户的产品评论文本中自动推断其 OCEAN 性格特质，并将推断出的个人档案整合到神经协同过滤（NCF）模型中，以提升推荐性能。该方法在两个新数据集（Amazon-beauty 和 Amazon-music）上使性能提升 3%–28%，其中在音乐推荐中开放性和外向性最具优势，在美妆产品推荐中尽责性最具优势。

ABSTRACT

Personality is a psychological factor that reflects people's preferences, which in turn influences their decision-making. We hypothesize that accurate modeling of users' personalities improves recommendation systems' performance. However, acquiring such personality profiles is both sensitive and expensive. We address this problem by introducing a novel method to automatically extract personality profiles from public product review text. We then design and assess three context-aware recommendation architectures that leverage the profiles to test our hypothesis. Experiments on our two newly contributed personality datasets -- Amazon-beauty and Amazon-music -- validate our hypothesis, showing performance boosts of 3--28%.Our analysis uncovers that varying personality types contribute differently to recommendation performance: open and extroverted personalities are most helpful in music recommendation, while a conscientious personality is most helpful in beauty product recommendation.

研究动机与目标

• 为解决在推荐系统中获取用户性格数据成本高、耗时长且涉及隐私敏感的问题。
• 探究用户生成的评论文本是否可作为可行且保护隐私的性格特质推断来源。
• 评估自动推断的性格档案是否能提升真实推荐场景中的推荐性能。
• 构建两个新的公开可用数据集，其中包含从亚马逊美妆和音乐评论中推断出的性格评分。
• 分析不同性格特质（OCEAN）在不同领域中对推荐性能的差异化影响。

提出的方法

• 利用 Receptiviti API 从用户生成的产品评论中自动推断 OCEAN 性格评分（开放性、尽责性、外向性、宜人性、神经质）。
• 通过扩展亚马逊评论数据集并为其补充推断出的性格档案，构建了两个新数据集——Amazon-beauty 和 Amazon-music。
• 设计了三种上下文感知的推荐架构，将性格嵌入向量整合进神经协同过滤（NCF）框架。
• 采用软标签策略，将性格评分作为辅助用户特征引入推荐模型。
• 使用标准指标（命中率 HR 和归一化折损累计增益 NDCG）在多种设置下评估性能。
• 通过消融研究和领域特定分析，分析各性格特质对推荐性能的贡献。

Figure 1 . The overall structure of our model. In this example, the user’s OCEAN score is {30,70,50,30,20}. The NCF + Most salient personality selects the personality with the highest score, i.e., conscientiousness as the personality embedding vector. NCF + Soft-labeled personality takes all five OC

实验结果

研究问题

• RQ1 能否使用商业 NLP API 从产品评论文本中准确推断用户性格特质？
• RQ2 在多大程度上，将推断出的性格档案整合到推荐系统中能提升其性能？
• RQ3 在不同领域（如音乐与美妆）中，不同性格特质（OCEAN）对推荐性能的贡献有何差异？
• RQ4 在推荐系统中，使用粗粒度性格模型（如 OCEAN）存在哪些局限性？
• RQ5 评论数据中性格分布的不平衡性（如外向性过高）如何影响模型的泛化能力？

主要发现

• 从产品评论中推断出的性格档案显著提升了推荐性能，性能增益在不同数据集中达到 3%–28%。
• 在音乐领域，开放性和外向性是最具影响力的特质，其中外向性对推荐质量的正向影响最强。
• 在美妆领域，尽责性成为最具优势的性格特质，显著提升了推荐性能。
• 宜人性在音乐推荐中也产生了积极贡献，但其影响程度低于开放性和外向性。
• 神经质和开放性在两个领域中对性能的影响均微弱或可忽略，表明在当前设置下其信号效用有限。
• 研究发现数据中存在潜在偏差，由于评论写作行为的特性，外向性被过度代表，提示未来工作可能需要借助购买历史等替代数据源。

Figure 2 . Distribution of personality traits in Amazon-beauty and Amazon-music datasets. The x-axis represents the score for each trait; the y-axis represents the number of users. The red line represents the median for each trait.