[论文解读] Learning Optimal Social Dependency for Recommendation

Yong Liu, Peilin Zhao+3 more|arXiv (Cornell University)|Mar 15, 2016

Recommender Systems and Techniques参考文献 18被引用 10

一句话总结

该论文提出了一种新颖的社交推荐方法——概率关系矩阵分解（PRMF），通过使用行精度矩阵建模用户间正负关系的矩阵 variate 正态分布，联合学习用户的偏好与最优社交依赖关系。PRMF 在多个真实世界数据集上均优于最先进方法，在 RMSE 和 MAE 指标上表现更优，尤其在从评分数据中学习隐式社交依赖关系时优势显著。

ABSTRACT

Social recommender systems exploit users' social relationships to improve the recommendation accuracy. Intuitively, a user tends to trust different subsets of her social friends, regarding with different scenarios. Therefore, the main challenge of social recommendation is to exploit the optimal social dependency between users for a specific recommendation task. In this paper, we propose a novel recommendation method, named probabilistic relational matrix factorization (PRMF), which aims to learn the optimal social dependency between users to improve the recommendation accuracy, with or without users' social relationships. Specifically, in PRMF, the latent features of users are assumed to follow a matrix variate normal (MVN) distribution. The positive and negative dependency between users are modeled by the row precision matrix of the MVN distribution. Moreover, we have also proposed an efficient alternating algorithm to solve the optimization problem of PRMF. The experimental results on real datasets demonstrate that the proposed PRMF method outperforms state-of-the-art social recommendation approaches, in terms of root mean square error (RMSE) and mean absolute error (MAE).

研究动机与目标

• 为解决识别用户间最适当社交依赖关系以提升推荐准确性的挑战。
• 开发一种在缺乏显式社交关系时仍能有效工作的推荐方法，通过从评分行为中学习隐式依赖关系。
• 利用概率矩阵分解框架，同时建模用户之间的正负社交依赖关系。
• 通过在统一的概率模型中联合学习用户偏好与社交关系，提升推荐准确率。

提出的方法

• PRMF 使用矩阵 variate 正态（MVN）分布对用户潜在特征进行建模，其中行精度矩阵编码用户之间的社交依赖关系。
• 通过 MVN 分布中行精度矩阵的结构，捕捉正负依赖关系。
• 采用一种高效的交替优化算法，结合随机梯度下降（SGD）与交替方向乘子法（ADMM），求解 PRMF 目标函数。
• 该方法可从评分数据中学习社交依赖矩阵，无需依赖显式社交网络信息，适用于低社交数据场景。
• 通过参数 γ 的正则化控制所学习社交依赖矩阵 Θ 的稀疏性，平衡准确率与计算效率。
• 该框架支持隐式（PRMF^imp）与显式（PRMF^exp）社交关系学习，两种设置下均表现优异。

实验结果

研究问题

• RQ1 概率矩阵分解模型能否联合学习用户偏好与最优社交依赖关系，从而提升推荐准确率？
• RQ2 从评分行为中学习隐式社交依赖关系，与使用预定义社交关系相比，在推荐性能上表现如何？
• RQ3 所学习社交依赖矩阵的稀疏性对推荐准确率与计算效率有何影响？
• RQ4 PRMF 是否能在多种数据集上，于 RMSE 与 MAE 指标上超越最先进社交推荐方法？

主要发现

• 在 Ciao 数据集上，PRMF^imp 的 RMSE 比 PMF 降低 7.05%；在 Epinions 上降低 5.16%，证明了学习社交依赖关系的优势。
• 在 ML-100K 上，PRMF^imp 的 RMSE 比 SR^imp 降低 0.73%；在 ML-1M 上降低 0.49%；在 Ciao 上降低 2.92%；在 Epinions 上降低 2.40%，表明学习到的隐式依赖关系优于预定义关系。
• 在 Ciao 和 Epinions 上，PRMF^exp 的 RMSE 平均比 SR^exp 降低 1.03%，比 LOCABAL 降低 3.60%，比 eSMF 降低 2.77%，证实其在显式关系设置下的有效性。
• 在 ML-100K 上，当 γ = 0.3 时，Θ 的稀疏度达 65.21%，RMSE = 0.9149，相比最佳竞争方法 SR^imp 提升 0.56%。
• 在 Ciao 上，最优 RMSE 在 γ = 0.1 时达到，此时 Θ 的稀疏度为 79.74%，表明稀疏依赖矩阵可提升准确率。
• 利用先验信息（显式/隐式关系）带来的性能提升有限，表明模型的核心优势在于从数据中学习依赖关系，而非依赖外部社交结构。