[论文解读] Interactive Movie Recommendation Through Latent Semantic Analysis and Storytelling

Kodzo Wegba, Aidong Lu+2 more|arXiv (Cornell University)|Jan 1, 2017

Data Visualization and Analytics参考文献 34被引用 5

一句话总结

本文提出了一种结合潜在语义分析（LSM）与叙事手法的互动式电影推荐系统，以增强用户参与度与个性化体验。通过将用户评分数据投影至二维语义空间，系统可视化用户偏好，并生成动态、基于叙事的推荐内容，能够根据用户的显式反馈自适应调整，显著提升在线推荐系统中的可解释性与交互性。

ABSTRACT

Recommendation has become one of the most important components of online services for improving sale records, however visualization work for online recommendation is still very limited. This paper presents an interactive recommendation approach with the following two components. First, rating records are the most widely used data for online recommendation, but they are often processed in high-dimensional spaces that can not be easily understood or interacted with. We propose a Latent Semantic Model (LSM) that captures the statistical features of semantic concepts on 2D domains and abstracts user preferences for personal recommendation. Second, we propose an interactive recommendation approach through a storytelling mechanism for promoting the communication between the user and the recommendation system. Our approach emphasizes interactivity, explicit user input, and semantic information convey; thus it can be used by general users without any knowledge of recommendation or visualization algorithms. We validate our model with data statistics and demonstrate our approach with case studies from the MovieLens100K dataset. Our approaches of latent semantic analysis and interactive recommendation can also be extended to other network-based visualization applications, including various online recommendation systems.

研究动机与目标

• 解决现有在线推荐系统中缺乏有效且用户友好的交互机制的问题。
• 通过显式展示推荐逻辑与电影之间的语义关系，提升用户满意度。
• 使普通用户能够通过直观的语义层级输入主动引导推荐，而无需技术知识。
• 开发一种叙事机制，通过叙事可视化传达推荐依据，增强用户信任与参与度。
• 通过真实世界数据，证明潜在语义建模与互动叙事在多样化用户偏好配置下的适用性。

提出的方法

• 通过奇异值分解（SVD）对用户评分矩阵进行分解，构建潜在语义模型（LSM），将高维语义特征映射至二维可视化空间。
• 在潜在空间中定义语义概念，如喜欢、不喜欢、熟悉度、多样性、典型性与非典型性，以表示用户偏好并指导推荐。
• 基于用户观看历史自动识别最优的二维潜在维度，使坐标轴与组合电影特征（如戏剧 vs. 喜剧）对齐，反映偏好梯度。
• 使用二维散点图可视化推荐结果，其中电影位置反映推荐程度（纵轴）与语义对比度（横轴），并以颜色编码节点：喜欢的电影为绿色，不喜欢的为橙色，推荐的为紫色。
• 生成动态、动画化的叙事性描述，通过角色设定与叙事结构描述推荐电影组，提升用户理解与参与度。
• 支持实时交互，允许用户调整偏好参数（如熟悉度、典型性），并即时查看更新后的可视化与故事内容更新。

实验结果

研究问题

• RQ1 如何利用潜在语义分析将高维用户评分数据转化为可解释的二维可视化空间，以实现个性化电影推荐？
• RQ2 叙事机制在多大程度上能提升互动推荐系统中的用户参与度与理解力？
• RQ3 能否有效将用户对语义偏好的显式反馈（如熟悉度、多样性）整合进实时推荐管道？
• RQ4 不同用户偏好配置（如挑剔型、类型特定型、广泛型）在潜在语义空间中如何表现，并如何影响推荐质量？
• RQ5 所提出的系统能否扩展至电影以外的其他在线推荐领域？

主要发现

• 潜在语义模型成功将高维评分数据映射至反映用户偏好的二维可视化空间，且在语义轴上清晰呈现出喜欢与不喜欢电影的聚类。
• 基于MovieLens100K数据集的案例研究显示，系统能有效识别用户偏好，例如对戏剧/纪录片/传记类电影的偏好高于喜剧/音乐类，表现为喜欢的电影位于右侧，不喜欢的位于左侧。
• 对熟悉度、典型性与多样性等参数的交互式调整可动态更新可视化与推荐列表，体现响应迅速且用户主导的过滤机制。
• 通过运行时仅缓存相关数据，系统实现亚秒级响应时间，尽管数据集规模庞大，仍适合在线部署。
• 叙事机制通过动画化叙事成功传达推荐逻辑，相比传统列表式推荐，显著提升了透明度与用户参与度。
• 该方法具有普适性：对广泛型与挑剔型用户均有效，例如对多数电影仅打1–2星的用户，系统仍能有效推荐喜剧-戏剧混合类型影片。