[论文解读] Item Recommendation with Evolving User Preferences and Experience

Subhabrata Mukherjee, Hemank Lamba+1 more|arXiv (Cornell University)|May 6, 2017

Recommender Systems and Techniques参考文献 26被引用 6

一句话总结

该论文提出了一种生成式HMM-LDA模型，仅通过评论文本和评分，联合追踪用户随时间演变的体验、特定方面兴趣、写作风格和评分行为。通过建模潜在用户成熟度和主题偏好的时间演化，该模型在评分预测方面优于当前最先进的基线方法，并更准确地识别出资深用户。

ABSTRACT

Current recommender systems exploit user and item similarities by collaborative filtering. Some advanced methods also consider the temporal evolution of item ratings as a global background process. However, all prior methods disregard the individual evolution of a user's experience level and how this is expressed in the user's writing in a review community. In this paper, we model the joint evolution of user experience, interest in specific item facets, writing style, and rating behavior. This way we can generate individual recommendations that take into account the user's maturity level (e.g., recommending art movies rather than blockbusters for a cinematography expert). As only item ratings and review texts are observables, we capture the user's experience and interests in a latent model learned from her reviews, vocabulary and writing style. We develop a generative HMM-LDA model to trace user evolution, where the Hidden Markov Model (HMM) traces her latent experience progressing over time -- with solely user reviews and ratings as observables over time. The facets of a user's interest are drawn from a Latent Dirichlet Allocation (LDA) model derived from her reviews, as a function of her (again latent) experience level. In experiments with five real-world datasets, we show that our model improves the rating prediction over state-of-the-art baselines, by a substantial margin. We also show, in a use-case study, that our model performs well in the assessment of user experience levels.

研究动机与目标

• 为解决推荐系统中用户经验建模的缺失问题，该问题通常忽略个体成熟度和不断演变的偏好。
• 仅基于可观测的评论和评分，建模用户经验、特定方面兴趣、写作风格和评分行为的联合时间演化。
• 通过引入潜在用户成熟度和不断演变的主题偏好，提升评分预测的准确性。
• 基于语言和行为的演变，识别在线社区中的资深用户，例如潜在的公民记者。
• 证明评论文本内容和写作风格为建模用户演化提供了关键信号，其价值超越仅依赖评分本身。

提出的方法

• 提出一种生成式HMM-LDA模型，其中隐马尔可夫模型（HMM）用于追踪用户随时间推移的潜在经验演化。
• 潜在狄利克雷分配（LDA）将用户在特定项目方面的兴趣建模为用户潜在经验水平的函数。
• 该模型从评论文本、词汇使用和写作风格中推断用户经验与特定方面偏好，条件于时间进程。
• HMM捕捉用户成熟的速度，从而实现用户个体化经验增长的学习。
• 采用监督学习技术，通过将各方面的权重建模为经验水平的函数，将连续评分纳入模型。
• 在附录论文[19]中提出了基于几何布朗运动和布朗运动的连续时间扩展，实现更精细的时间建模。

实验结果

研究问题

• RQ1 如何在无显式标签的情况下，从评论文本和评分中建模用户经验的演化？
• RQ2 建模用户成熟度的动态演化在多大程度上能提升评分预测的准确性？
• RQ3 评论中的写作风格和语言特征在多大程度上可用于推断用户的成熟度水平和特定方面兴趣？
• RQ4 该模型在识别社区中的资深用户（如潜在的公民记者）方面表现如何？
• RQ5 联合建模经验、兴趣和写作风格是否能带来优于静态或全局时间模型的推荐效果？

主要发现

• 在五个真实世界数据集上，与当前最先进的基线方法相比，该模型在评分预测的均方误差上显著降低。
• 在NewsTrust社区识别资深用户任务中，该模型的F₁得分为0.97，显著优于基线模型的0.68。
• 该模型的NDCG得分达到0.97，高于基线的0.90，表明用户成熟度等级的排序质量更优。
• 该模型成功捕捉了用户成熟度的演进过程，从而能够根据用户当前的经验水平提供定制化推荐，例如向摄影专家推荐艺术电影。
• 利用评论文本和写作风格，能够检测到用户兴趣的细微变化，例如随着经验增长，对叙事复杂度的关注超过对特效的关注。
• 该模型表明，评论中的语言和风格演化是用户经验的强有力代理指标，优于仅依赖评分历史或静态主题建模的方法。