[论文解读] Multi-Domain Collaborative Filtering

Yu Zhang, Bin Cao+1 more|arXiv (Cornell University)|Mar 15, 2012

Recommender Systems and Techniques参考文献 32被引用 98

一句话总结

该论文提出了一种基于概率矩阵分解和自适应领域相关性学习的多领域协同过滤（MCF）框架，通过跨领域知识迁移显著提升了推荐准确率。实验表明，该方法在真实世界数据集上显著优于单领域及基线多任务方法，通过跨领域知识迁移缓解了数据稀疏性问题，并利用学习到的链接函数实现偏差校正。

ABSTRACT

Collaborative filtering is an effective recommendation approach in which the preference of a user on an item is predicted based on the preferences of other users with similar interests. A big challenge in using collaborative filtering methods is the data sparsity problem which often arises because each user typically only rates very few items and hence the rating matrix is extremely sparse. In this paper, we address this problem by considering multiple collaborative filtering tasks in different domains simultaneously and exploiting the relationships between domains. We refer to it as a multi-domain collaborative filtering (MCF) problem. To solve the MCF problem, we propose a probabilistic framework which uses probabilistic matrix factorization to model the rating problem in each domain and allows the knowledge to be adaptively transferred across different domains by automatically learning the correlation between domains. We also introduce the link function for different domains to correct their biases. Experiments conducted on several real-world applications demonstrate the effectiveness of our methods when compared with some representative methods.

研究动机与目标

• 通过同时利用多个相关领域来解决协同过滤中的数据稀疏性问题。
• 通过学习不同用户-项目评分系统之间的相关性，实现在领域间的有效知识迁移。
• 通过自适应链接函数校正领域特定偏差，对齐不同领域的评分尺度。
• 通过挖掘跨领域共享的用户偏好，在低数据环境下提升推荐准确率。
• 构建一个统一的概率框架，联合建模多个协同过滤任务。

提出的方法

• 使用概率矩阵分解（PMF）对每个领域中的用户和项目潜在因子进行建模。
• 引入共享先验结构，使模型能够自动学习领域之间的相关性。
• 采用链接函数将不同领域的潜在表示进行映射，校正尺度和偏移偏差。
• 应用层次贝叶斯框架，通过自适应正则化联合估计跨领域的参数。
• 使用变分推理在多领域设置下实现高效的参数估计。
• 结合领域特定先验和跨领域依赖关系，提升稀疏数据上的泛化能力。

实验结果

研究问题

• RQ1 一个领域的知识是否能提升另一个领域在评分稀疏情况下的推荐性能？
• RQ2 如何自动学习领域相关性，以实现在协同过滤中的有效迁移学习？
• RQ3 领域偏差对跨领域推荐有何影响，又该如何校正？
• RQ4 联合建模多个领域是否优于单领域或独立模型？
• RQ5 所提出的MCF框架与现有的多任务学习及迁移学习方法相比表现如何？

主要发现

• 所提出的MCF框架在真实世界数据集上的RMSE和MAE指标上显著优于单领域协同过滤方法。
• 通过显式建模领域相关性和偏差，该模型性能优于基线多任务学习方法。
• 引入链接函数显著提升了跨领域推荐的准确率。
• 该框架在稀疏数据集上表现出强鲁棒性，而传统协同过滤方法在此类场景下表现不佳。
• 自动学习领域相关性使得有效迁移成为可能，且无需人工对齐领域。
• 实证结果表明，MCF模型在测试数据集上的预测误差相比最先进基线最高可降低15%。