[论文解读] Link Prediction Approach to Recommender Systems

T. Jaya Lakshmi, S. Durga Bhavani|arXiv (Cornell University)|Feb 18, 2021

Recommender Systems and Techniques被引用 4

一句话总结

本文通过将用户-物品交互建模为双分图，提出一种链接预测方法以改进推荐系统，利用概率性和时间性链接预测度量提升推荐准确率。结果表明，如时间共现概率（TCOP）等时间性度量优于传统协同过滤方法，在MovieLens数据集上AUROC提升10%，AUPR提升140%。

ABSTRACT

The problem of recommender system is very popular with myriad available solutions. A novel approach that uses the link prediction problem in social networks has been proposed in the literature that model the typical user-item information as a bipartite network in which link prediction would actually mean recommending an item to a user. The standard recommender system methods suffer from the problems of sparsity and scalability. Since link prediction measures involve computations pertaining to small neighborhoods in the network, this approach would lead to a scalable solution to recommendation. One of the issues in this conversion is that link prediction problem is modelled as a binary classification task whereas the problem of recommender systems is solved as a regression task in which the rating of the link is to be predicted. We overcome this issue by predicting top k links as recommendations with high ratings without predicting the actual rating. Our work extends similar approaches in the literature by focusing on exploiting the probabilistic measures for link prediction. Moreover, in the proposed approach, prediction measures that utilize temporal information available on the links prove to be more effective in improving the accuracy of prediction. This approach is evaluated on the benchmark 'Movielens' dataset. We show that the usage of temporal probabilistic measures helps in improving the quality of recommendations. Temporal random-walk based measure T_Flow improves recommendation accuracy by 4% and Temporal cooccurrence probability measure improves prediction accuracy by 10% over item-based collaborative filtering method in terms of AUROC score.

研究动机与目标

• 解决传统协同过滤推荐系统中的可扩展性和稀疏性问题。
• 将链接预测技术——特别是概率性和时间性度量——适配至用户-物品推荐任务。
• 评估时间信息在提升推荐准确率方面相对于静态相似度度量的改进程度。
• 提出并实现一种专为双分用户-物品网络设计的时间共现概率度量。
• 在真实世界数据集上，将所提方法与标准协同过滤及基线链接预测度量进行基准对比。

提出的方法

• 将用户-物品交互建模为双分图，其中用户和物品为节点，评分作为边。
• 在双分设置下应用标准链接预测度量（如共同邻居、Jaccard、Adamic-Adar、优先连接）。
• 扩展概率度量如共现概率，并引入时间共现概率（TCOP）以整合时间戳交互信息。
• 使用时间链接预测度量如时间评分（TS）、链接评分（LS）、T_Flow和TCOP，这些度量对近期交互赋予更高权重。
• 通过AUROC、AUPR和排序得分指标计算推荐质量，生成top-k推荐时不预测具体评分。
• 使用LPMade工具以默认参数和标准化相似度计算（用户基于皮尔逊相关系数，物品基于余弦相似度）在MovieLens 1M数据集上评估所有方法。

实验结果

研究问题

• RQ1 在双分用户-物品网络中，链接预测能否有效作为传统协同过滤在推荐系统中的可扩展替代方案？
• RQ2 与静态度量相比，将时间信息整合到链接预测度量中对推荐准确率的影响如何？
• RQ3 概率性链接预测度量如共现概率和时间共现概率在多大程度上优于基线方法提升推荐质量？
• RQ4 所提出的時間共現概率（TCOP）度量是否在真实世界推荐任务中优于现有时间性和非时间性链接预测技术？
• RQ5 所提链接预测方法在AUROC、AUPR和排序得分方面与标准用户基于和物品基于协同过滤相比表现如何？

主要发现

• 时间共现概率（TCOP）达到最高的AUROC得分0.8165，比基于物品的协同过滤（0.7136）高出10.2个百分点。
• TCOP将AUPR提升至0.2351，较次佳方法（T_Flow，0.0960）提高140%，较基于物品的协同过滤（0.0491）提高40%。
• T_Flow使AUROC相比基于物品的协同过滤提升4%，证明了时间随机游走建模的优势。
• 所有时间链接预测度量（TS_B、LS_B、TF_B、TCOP_B）在所有评估指标上均优于用户基于和物品基于协同过滤。
• 排序得分指标确认TCOP为表现最佳方法，得分为8.6304，显著高于基于物品的协同过滤（3.0274）。
• 结果验证了在链接预测中引入时间动态可提升推荐准确率，尤其在捕捉用户偏好演化方面具有显著优势。