[论文解读] Loss Aversion in Recommender Systems: Utilizing Negative User Preference to Improve Recommendation Quality

Bibek Paudel, Sandro Luck+1 more|arXiv (Cornell University)|Dec 29, 2018

Recommender Systems and Techniques参考文献 6被引用 8

一句话总结

本文提出了一种新型推荐系统——双类协作度量学习（TC-CML），通过度量学习显式建模负向用户偏好，以提升推荐质量。结合损失厌恶原理，TC-CML在减少top-k推荐中的负向项目同时提升准确性，在Goodbooks-10k和Movielens 1M数据集上均优于CML。

ABSTRACT

Negative user preference is an important context that is not sufficiently utilized by many existing recommender systems. This context is especially useful in scenarios where the cost of negative items is high for the users. In this work, we describe a new recommender algorithm that explicitly models negative user preferences in order to recommend more positive items at the top of recommendation-lists. We build upon existing machine-learning model to incorporate the contextual information provided by negative user preference. With experimental evaluations on two openly available datasets, we show that our method is able to improve recommendation quality: by improving accuracy and at the same time reducing the number of negative items at the top of recommendation-lists. Our work demonstrates the value of the contextual information provided by negative feedback, and can also be extended to signed social networks and link prediction in other networks.

研究动机与目标

• 为解决推荐系统中负向用户反馈的低效利用问题，尤其是在高成本失败场景下。
• 通过借鉴行为经济学中的损失厌恶理论，显式建模负向偏好，以提升推荐质量。
• 减少推荐列表顶部的负向评分项目数量，从而提升用户体验。
• 通过区分正负反馈，扩展协作度量学习（CML），以提升排序准确性。

提出的方法

• 该方法通过引入双类反馈框架，扩展了协作度量学习（CML），显式建模用户对正负项目的偏好。
• 采用合页损失（hinge loss）优化嵌入空间中正负项目-用户对之间的边界，使正样本对的距离最小化，负样本对的距离最大化。
• 对于每个用户，低于其平均评分的项目被分类为负向，等于或高于平均评分的项目被分类为正向，从而实现二元反馈分类。
• 模型采用小批量训练与负采样策略，对于每个正样本对，选择使合页损失最大化的最违规负向项目（即最易混淆的负样本）。
• 通过网格搜索优化嵌入维度，ML-1M数据集使用d=70，Goodbooks-10k数据集使用d=100。
• 项目特征源自用户生成的标签，经过去除稀有或易拼写错误的条目后，作为度量学习框架的输入。

实验结果

研究问题

• RQ1 在协同过滤系统中，显式建模负向用户偏好是否能提升推荐准确性？
• RQ2 结合损失厌恶原理在多大程度上能减少top-k推荐列表中的负向项目？
• RQ3 TC-CML在精确率（precision）、召回率（recall）以及top-k中负向项目出现频率方面与CML相比如何？
• RQ4 TC-CML的性能增益是否在具有不同稀疏性和评分分布的数据集上均保持稳定？
• RQ5 所提出的方法能否推广至其他任务，如有向网络中的链接预测？

主要发现

• 在Goodbooks-10k数据集上，TC-CML相较CML将R@10提升12.5%（0.92 vs. 0.82），P@10提升9%（0.61 vs. 0.56）。
• TC-CML将Goodbooks数据集上的NI@10从0.020降至0.018，表明推荐顶部负向项目的数量显著减少。
• 在更密集的ML-1M数据集上，TC-CML将R@10从0.12提升至0.13，P@10从0.63提升至0.66，显示出在top-10准确率上的更强增益。
• ML-1M数据集上的NI@10从0.031降至0.028，证实TC-CML能有效减少高影响力位置的负向推荐。
• 该模型在显式建模负向反馈的同时，保持或提升了所有指标的表现，证明了在推荐系统中引入情境化损失厌恶具有实际价值。
• 结果表明，通过度量学习整合负向反馈，不仅能提升推荐准确性，还能通过降低差评推荐的心理成本，改善用户体验。