[论文解读] Matrix Factorization with Explicit Trust and Distrust Relationships

Rana Forsati, Mehrdad Mahdavi+2 more|arXiv (Cornell University)|Aug 2, 2014

Recommender Systems and Techniques参考文献 62被引用 4

一句话总结

本文提出了一种矩阵分解模型，显式地将用户在社交评分网络中的信任与不信任关系整合进来，以提高推荐准确率并缓解数据稀疏性和冷启动问题。通过将两类社交关系统一整合到一个优化框架中，该方法在 Epinions 数据集上的表现优于仅使用信任或仅使用不信任的基线模型，证明了不信任信息能显著提升推荐质量。

ABSTRACT

With the advent of online social networks, recommender systems have became crucial for the success of many online applications/services due to their significance role in tailoring these applications to user-specific needs or preferences. Despite their increasing popularity, in general recommender systems suffer from the data sparsity and the cold-start problems. To alleviate these issues, in recent years there has been an upsurge of interest in exploiting social information such as trust relations among users along with the rating data to improve the performance of recommender systems. The main motivation for exploiting trust information in recommendation process stems from the observation that the ideas we are exposed to and the choices we make are significantly influenced by our social context. However, in large user communities, in addition to trust relations, the distrust relations also exist between users. For instance, in Epinions the concepts of personal "web of trust" and personal "block list" allow users to categorize their friends based on the quality of reviews into trusted and distrusted friends, respectively. In this paper, we propose a matrix factorization based model for recommendation in social rating networks that properly incorporates both trust and distrust relationships aiming to improve the quality of recommendations and mitigate the data sparsity and the cold-start users issues. Through experiments on the Epinions data set, we show that our new algorithm outperforms its standard trust-enhanced or distrust-enhanced counterparts with respect to accuracy, thereby demonstrating the positive effect that incorporation of explicit distrust information can have on recommender systems.

研究动机与目标

• 通过利用社交关系来解决协同过滤中的数据稀疏性和冷启动问题。
• 探索除信任之外，显式不信任关系在社交推荐中被低估的潜力。
• 开发一个统一的矩阵分解框架，将信任与不信任作为辅助信息进行建模。
• 通过实证验证，纳入不信任关系可使推荐准确率超越仅依赖信任的模型。
• 研究在所提框架中随机梯度下降与梯度下降方法的优化行为及收敛特性。

提出的方法

• 该模型通过为用户之间的信任与不信任关系引入独立的潜在因子更新，扩展了标准矩阵分解方法。
• 其优化问题旨在最小化观测评分的预测误差，同时惩罚与信任和不信任关系不一致的情况。
• 目标函数结合了评分预测损失与用于信任和不信任约束的合页损失项，确保可信用户评分具有更大影响力。
• 该方法采用全梯度下降（GD）与不同批量大小的随机梯度下降（SGD）来优化目标函数。
• 优化框架使用无偏梯度估计，批量大小通过控制方差来影响收敛速度。
• 该模型在包含用户之间显式信任与不信任关系的 Epinions 数据集上进行训练。

实验结果

研究问题

• RQ1 显式不信任关系是否能提升推荐准确率，超越传统的基于信任的模型？
• RQ2 同时整合信任与不信任关系如何影响数据稀疏性和冷启动问题的缓解？
• RQ3 在所提框架中，不同优化策略（GD 与不同批量大小的 SGD）的相对性能如何？
• RQ4 信任与不信任约束如何影响优化过程的收敛行为？
• RQ5 统一的矩阵分解模型能否在单一学习框架中有效平衡信任与不信任信号？

主要发现

• 所提出的结合信任与不信任的模型在 RMSE 和 RME 准确率指标上均优于仅使用信任或仅使用不信任的基线模型。
• 全梯度下降（GD）收敛更快且目标函数单调下降，而 SGD 方法虽方差较高但单次迭代成本更低。
• 使用较大批量大小的 SGD（例如 B=0.3*|Ω_S|）由于梯度方差减小，收敛速度优于小批量。
• 该模型表明，不信任信息是一种宝贵的辅助信息来源，能显著提升推荐质量。
• 合页损失函数在预测准确率方面优于指数损失，尽管后者更适用于平滑优化。
• 实证结果表明，同时纳入信任与不信任可带来更稳健、更准确的推荐，尤其对冷启动用户效果显著。