[论文解读] Incremental Collaborative Filtering Considering Temporal Effects

Yongji Wang, Xiaofeng Liao+2 more|arXiv (Cornell University)|Mar 24, 2012

Recommender Systems and Techniques参考文献 22被引用 10

一句话总结

本文提出蚁群协同过滤（Ant Collaborative Filtering, ACF），一种受蚁群优化启发的增量式、可扩展协同过滤算法，通过动态信息素传递与时间衰减机制建模用户-物品交互，以应对稀疏且持续演化的评分数据。该方法能够捕捉用户偏好随时间的变化，在电影、书籍和音乐推荐等时间敏感应用场景中，相较于基线协同过滤方法展现出更优的准确率与效率。

ABSTRACT

Recommender systems require their recommendation algorithms to be accurate, scalable and should handle very sparse training data which keep changing over time. Inspired by ant colony optimization, we propose a novel collaborative filtering scheme: Ant Collaborative Filtering that enjoys those favorable characteristics above mentioned. With the mechanism of pheromone transmission between users and items, our method can pinpoint most relative users and items even in face of the sparsity problem. By virtue of the evaporation of existing pheromone, we capture the evolution of user preference over time. Meanwhile, the computation complexity is comparatively small and the incremental update can be done online. We design three experiments on three typical recommender systems, namely movie recommendation, book recommendation and music recommendation, which cover both explicit and implicit rating data. The results show that the proposed algorithm is well suited for real-world recommendation scenarios which have a high throughput and are time sensitive.

研究动机与目标

• 解决现实协同过滤系统中数据稀疏性与可扩展性的挑战。
• 建模用户偏好随时间的动态演化，尤其在电子商务与新闻等时间敏感领域。
• 开发一种增量式在线学习算法，支持快速重训练与低延迟推荐。
• 集成降维技术以提升计算效率，同时不损失准确性。
• 在显式反馈（评分）与隐式反馈（排序）场景下，均支持推荐功能。

提出的方法

• 该算法将用户与物品建模为交换信息素的代理，信息素水平反映历史交互强度。
• 在用户与物品上均应用时间衰减的信息素蒸发机制，使系统能够适应用户兴趣的变化。
• 采用基于记忆的方法，推荐结果基于相似用户与物品间的信息素水平生成。
• 通过增量更新机制实现在线学习，避免完整重训练，降低计算成本。
• 对信息素矩阵应用降维技术，以提升可扩展性并减少存储需求。
• 通过统一的信息素框架，同时支持显式反馈（评分）与隐式反馈（排序）的推荐。

实验结果

研究问题

• RQ1 协同过滤算法如何在实时系统中有效处理稀疏且演化的用户-物品评分数据？
• RQ2 蚁群优化中的信息素机制能否被适配以建模用户偏好的时间性变化？
• RQ3 与批处理方法相比，基于信息素蒸发的增量学习在推荐准确率与可扩展性方面有何提升？
• RQ4 在现实推荐场景中，引入时间感知信息素动态在多大程度上提升了系统性能？
• RQ5 所提方法能否在统一、可扩展的框架下同时支持显式与隐式反馈？

主要发现

• 在豆瓣数据集上，IACF 的精确率（precision）为 0.065，归一化折损累计增益（RA）为 20.231，优于所有基线方法，包括基于用户的（0.045 精确率）与基于物品的（0.006 精确率）方法。
• 在 Last.FM 数据集上，IACF 的精确率为 0.081，RA 为 19.915，显著优于 RSM（0.049 精确率）与 BM25-Item（0.028 精确率）。
• 时间感知版本的 IACF 在所有时间点均表现出高于无时间感知版本的精确率，且精确率随时间推移持续上升，表明其对用户偏好演化的适应能力更强。
• IACF 的训练与推理时间更快（豆瓣数据集为 29.4 秒，Last.FM 数据集为 22.3 秒），优于 NBI（928.0 秒）与 RSM（27.2 秒）等较慢的基线方法。
• 将降维技术与 ACF 结合后，在保持高性能的同时显著降低计算开销，支持大规模系统中的可扩展性。
• 该算法在显式反馈（如电影评分）与隐式反馈（如音乐收听）场景下均表现出强鲁棒性，验证了其在双模式推荐中的能力。