[论文解读] Interpreting Contextual Effects By Contextual Modeling In Recommender Systems

Yong Zheng|arXiv (Cornell University)|Oct 23, 2017

Recommender Systems and Techniques参考文献 13被引用 5

一句话总结

本文提出了一种基于相似性的上下文建模方法（CSLIM_MCS），通过利用上下文相似性来解释推荐系统中的上下文效应，相较于独立方法和预过滤方法，展现出更优的性能与可解释性。CSLIM_MCS在两个真实世界数据集上的推荐准确率和语义相关上下文情境的检索能力方面均优于TF和SPF。

ABSTRACT

Recommender systems have been widely applied to assist user's decision making by providing a list of personalized item recommendations. Context-aware recommender systems (CARS) additionally take context information into considering in the recommendation process, since user's tastes on the items may vary from contexts to contexts. Several context-aware recommendation algorithms have been proposed and developed to improve the quality of recommendations. However, there are limited research which explore and discuss the capability of interpreting the contextual effects by the recommendation models. In this paper, we specifically focus on different contextual modeling approaches, reshape the structure of the models, and exploit how to utilize the existing contextual modeling to interpret the contextual effects in the recommender systems. We compare the explanations of contextual effects, as well as the recommendation performance over two-real world data sets in order to examine the quality of interpretations.

研究动机与目标

• 探究如何重构上下文建模方法，以更好地解释推荐系统中的上下文效应。
• 比较独立与依赖式上下文建模技术在可解释性与推荐性能方面的差异。
• 评估上下文相似性学习是否能同时提升推荐质量与解释能力。
• 识别哪种上下文建模方法能最有效地为给定目标上下文检索语义相关的上下文情境。

提出的方法

• 本文重构了独立与依赖式上下文建模方法，通过强调上下文相似性来提升可解释性。
• 采用一种基于相似性的上下文稀疏线性模型（CSLIM_MCS），利用多维上下文相似性来建模用户-项目评分在不同上下文下的表现。
• 作为对比，采用两种基线方法：一种是预过滤方法（SPF），另一种是基于张量分解的独立上下文建模方法（TF）。
• 通过TF学习到的潜在向量计算上下文相似性，并用于为给定目标上下文检索最相似的前5个上下文情境。
• 通过5折交叉验证进行评估，使用精确率和NDCG作为推荐质量的指标。
• 通过分析检索到的相似上下文情境与目标上下文的相关性来评估可解释性。

实验结果

研究问题

• RQ1 如何重构上下文建模方法，以提升推荐系统中上下文效应的可解释性？
• RQ2 在依赖式与独立式上下文建模方法中，哪种方法能带来更好的推荐性能和更有意义的解释？
• RQ3 上下文相似性学习是否能同时提升推荐准确率与检索到的相似上下文情境的质量？
• RQ4 不同模型在为给定上下文检索语义相关上下文情境方面表现如何？

主要发现

• CSLIM_MCS在STS和music数据集上均取得了最高的精确率与NDCG分数，推荐质量优于TF和SPF。
• 在STS数据集中，CSLIM_MCS成功检索到包含目标上下文条件“temperature: cold”的情境，而TF和SPF仅检索到如“season”或“mood”等无关条件。
• 在music数据集中，CSLIM_MCS检索到了更多相关的情境组合，如“landscape: country side”和“roadtype”，而TF和SPF则聚焦于如“naturalphenomena”等无关维度。
• 结果表明，采用上下文相似性的依赖式上下文建模（CSLIM_MCS）通过检索语义连贯且相关的情境，提供了更好的可解释性。
• 本研究证明，上下文相似性学习不仅能提升推荐性能，还能增强推荐系统中上下文效应的可解释性。