[论文解读] Preference Networks: Probabilistic Models for Recommendation Systems

Dinh Phung, Svetha Venkatesh|arXiv (Cornell University)|Dec 3, 2007

Recommender Systems and Techniques参考文献 22被引用 18

一句话总结

本文提出偏好网络（Preference Networks, PN），这是一种统一的概率框架，通过在条件马尔可夫随机场中整合基于内容的过滤与协同过滤，以建模用户偏好。通过利用带正则化的伪似然方法，PN 能够有效学习大规模用户-物品网络，并在电影评分数据上实现准确的评分预测与 Top-N 推荐。

ABSTRACT

Recommender systems are important to help users select relevant and personalised information over massive amounts of data available. We propose an unified framework called Preference Network (PN) that jointly models various types of domain knowledge for the task of recommendation. The PN is a probabilistic model that systematically combines both content-based filtering and collaborative filtering into a single conditional Markov random field. Once estimated, it serves as a probabilistic database that supports various useful queries such as rating prediction and top-N recommendation. To handle the challenging problem of learning large networks of users and items, we employ a simple but effective pseudo-likelihood with regularisation. Experiments on the movie rating data demonstrate the merits of the PN.

研究动机与目标

• 将基于内容的过滤与协同过滤统一到单一概率框架中，以实现推荐。
• 在联合概率结构中系统性地建模多样化的领域知识。
• 利用学习到的模型支持灵活查询，如评分预测与 Top-N 推荐。
• 解决高效学习大规模用户-物品网络的挑战。
• 开发一种可扩展的学习方法，在高维情况下仍能保持模型精度。

提出的方法

• 偏好网络（PN）被形式化为一个条件马尔可夫随机场，用于建模用户对物品的偏好。
• 它将基于内容的特征与协同信号整合到一个统一的概率图模型中。
• 采用带正则化的伪似然方法，以在大规模数据集上高效学习模型参数。
• 估计得到的 PN 作为概率数据库，支持评分预测与推荐等推理任务。
• 该模型支持对用户-物品交互进行结构化查询，从而实现个性化推荐。
• 在学习过程中应用正则化，以防止在高维设置下的过拟合。

实验结果

研究问题

• RQ1 统一的概率模型能否有效结合基于内容的过滤与协同过滤，从而提升推荐效果？
• RQ2 如何在单一推荐框架中系统性地建模多样化的领域知识？
• RQ3 带正则化的伪似然方法能否实现大规模用户-物品网络中的可扩展学习？
• RQ4 所提出的框架能否支持准确的评分预测与 Top-N 推荐？
• RQ5 与基线方法相比，该模型在真实世界数据上的表现如何？

主要发现

• 偏好网络成功地将基于内容的过滤与协同过滤整合到单一的条件马尔可夫随机场中。
• 使用带正则化的伪似然方法，使得在大规模用户-物品网络中实现有效学习成为可能。
• 该模型支持灵活查询，包括评分预测与 Top-N 推荐。
• 在电影评分数据上的实验表明，PN 表现优异，证明了其有效性。
• 该框架为在统一概率结构中系统建模多样化领域知识提供了有效途径。
• 该模型作为概率数据库，支持高效推理与个性化推荐。