[论文解读] Modeling User Exposure in Recommendation

Dawen Liang, Laurent Charlin+2 more|arXiv (Cornell University)|Oct 23, 2015

Recommender Systems and Techniques参考文献 30被引用 4

一句话总结

本文提出 Exposure MF（ExpoMF），一种概率协同过滤模型，将用户对项目的曝光显式建模为潜在变量，从而将曝光与用户偏好分离。通过从数据中推断曝光，并引入曝光协变量（如内容、位置），ExpoMF 在四种不同数据集上（无论是否包含协变量）均优于当前最先进方法，显著提升了推荐准确率。

ABSTRACT

Collaborative filtering analyzes user preferences for items (e.g., books, movies, restaurants, academic papers) by exploiting the similarity patterns across users. In implicit feedback settings, all the items, including the ones that a user did not consume, are taken into consideration. But this assumption does not accord with the common sense understanding that users have a limited scope and awareness of items. For example, a user might not have heard of a certain paper, or might live too far away from a restaurant to experience it. In the language of causal analysis, the assignment mechanism (i.e., the items that a user is exposed to) is a latent variable that may change for various user/item combinations. In this paper, we propose a new probabilistic approach that directly incorporates user exposure to items into collaborative filtering. The exposure is modeled as a latent variable and the model infers its value from data. In doing so, we recover one of the most successful state-of-the-art approaches as a special case of our model, and provide a plug-in method for conditioning exposure on various forms of exposure covariates (e.g., topics in text, venue locations). We show that our scalable inference algorithm outperforms existing benchmarks in four different domains both with and without exposure covariates.

研究动机与目标

• 为解决隐式反馈推荐中一个局限性：即未点击项目被错误地假设为用户不喜欢，而实际上可能只是未被曝光。
• 在概率模型中将曝光机制形式化为潜在变量，实现对用户偏好的合理推断。
• 开发一种可扩展的推断算法，优于现有对未点击项目进行启发式降权的方法。
• 通过引入曝光协变量（如内容、位置）扩展模型，以提升曝光估计与推荐性能。
• 在音乐、学术论文、书签和场所签到等多样化领域中，证明该框架的有效性。

提出的方法

• ExpoMF 将用户对项目的曝光建模为潜在的二值变量 $a_{ui}$，表示用户 $u$ 是否被曝光于项目 $i$，并使用概率矩阵分解框架联合推断用户偏好与曝光情况。
• 模型采用逻辑回归组件预测曝光：$\mathbb{E}[a_{ui}] = \sigma(\mathbf{\psi}_u^\top \mathbf{x}_i + \gamma_u)$，其中 $\mathbf{x}_i$ 为曝光协变量（如主题向量、场所位置）。
• 通过将用户-项目交互建模为伯努利试验，实现偏好推断，交互概率取决于用户偏好与曝光的联合影响。
• 模型采用一种类似期望最大化（EM）的迭代推断算法，交替估计用户偏好与曝光概率。
• 对于基于内容的曝光，使用 LDA 生成的主题向量作为协变量；对于基于位置的曝光，使用 $K$-means 聚类对场所位置进行处理以定义曝光特征。
• 该框架支持多种协变量的插件式曝光建模，实现灵活且可解释的曝光估计。

实验结果

研究问题

• RQ1 如何在协同过滤中将用户对项目的曝光建模为潜在变量，以提升推荐准确率？
• RQ2 将曝光与偏好估计分离，是否能优于对未点击项目进行启发式降权的方法？
• RQ3 如项目内容或地理位置等曝光协变量，如何改善曝光估计与下游推荐性能？
• RQ4 所提出的模型是否能在音乐、学术论文、书签和场所签到等多样化领域中实现泛化？
• RQ5 该模型是否能超越当前最先进方法，如加权矩阵分解（WMF）和 Hu 等人提出的置信度方法？

主要发现

• ExpoMF 在所研究的四个数据集（音乐、学术电子论文、书签、Gowalla 场所签到）上，全面优于 Hu 等人 [8] 提出的最先进方法。
• 在 Gowalla 数据集上，Location ExpoMF 的 Recall@20 达到 0.129，优于 WMF（0.122）和使用每项 $\mu_i$ 的 ExpoMF（0.118）。
• 引入曝光协变量后，Content ExpoMF 和 Location ExpoMF 均优于更简单的 ExpoMF 模型，证明了引入外部信息的优势。
• 使用曝光协变量的模型性能始终优于基线方法，包括仅利用位置信息过滤推荐的简单 FilterWMF。
• 该模型为启发式降权提供了理论基础，通过曝光的潜在变量建模，合理化了此类实践。
• 实证结果表明，结合协变量的曝光建模能更准确地预测缺失的交互行为，尤其在曝光分布非均匀时效果更显著。