[论文解读] Maximizing profit using recommender systems

Aparna Das, Claire Mathieu+1 more|ArXiv.org|Aug 25, 2009

Recommender Systems and Techniques参考文献 12被引用 34

一句话总结

本文提出了一种利润感知的推荐系统，通过在保持用户信任的前提下，利用项目盈利能力调整传统推荐。通过在用户偏好相似性阈值内优化推荐，该方法使供应商利润提高了约22%，同时与标准推荐的偏差仅为10%。

ABSTRACT

Traditional recommendation systems make recommendations based solely on the customer's past purchases, product ratings and demographic data without considering the profitability the items being recommended. In this work we study the question of how a vendor can directly incorporate the profitability of items into its recommender so as to maximize its expected profit while still providing accurate recommendations. Our approach uses the output of any traditional recommender system and adjust them according to item profitabilities. Our approach is parameterized so the vendor can control how much the recommendation incorporating profits can deviate from the traditional recommendation. We study our approach under two settings and show that it achieves approximately 22% more profit than traditional recommendations.

研究动机与目标

• 解决传统推荐系统仅关注准确率而忽略项目盈利能力的不足。
• 使供应商能够在不损害用户对推荐信任的前提下，最大化预期利润。
• 开发一种方法，实现传统推荐准确率与利润最大化之间的可控权衡。
• 提供一个可推广的框架，可与任何现有的推荐系统集成。

提出的方法

• 该方法使用预测用户评分向量 $\vec{c}$，并将其调整为推荐向量 $\vec{r}$，以在保持与 $\vec{c}$ 相似性的同时最大化预期利润。
• 采用Dice相似性系数作为信任度量，确保推荐结果与预测的用户偏好保持接近。
• 将优化问题表述为在约束 $Dice(\vec{r}) \geq \tau$ 下最大化预期利润 $E_p(\vec{r}) = \sum_i p_i r_i$。
• 该方法在可能的利润值上采用二分查找，并为每个决策步骤求解一系列拉格朗日乘子问题。
• 对于每个候选利润值 $V$，决策问题检查是否存在可行的 $\vec{r}$，使得 $\sum_i (p_i - V)r_i \geq 0$ 且 $Dice(\vec{r}) \geq \tau$。
• 每个子问题的解通过拉格朗日乘子法推导得出，$r_i$ 的闭式表达式以 $p_i$、$c_i$ 和拉格朗日乘子 $\lambda$ 表示。

实验结果

研究问题

• RQ1 供应商如何在不损害用户信任的前提下，将项目盈利能力纳入推荐？
• RQ2 在推荐系统中，推荐准确率与利润最大化之间的最优权衡是什么？
• RQ3 利润感知的推荐系统能否在保持用户满意度的同时实现显著的利润增长？
• RQ4 如何在相似性和盈利能力约束下高效求解优化问题？

主要发现

• 与传统推荐系统相比，所提出的方法使供应商利润提高了约22%。
• 仅与标准推荐存在10%的偏差时，利润增长可达约22%。
• 通过在利润值上进行二分查找并迭代求解拉格朗日乘子优化，该方法获得了近似最优解。
• 该方法具有通用性，可与任何提供预测用户评分的现有推荐系统集成。
• 使用Dice相似性系数作为信任度量，其合理性通过观察到的用户评分变异性得到了实证支持。