[论文解读] Recent Advances in Diversified Recommendation

Qiong Wu, Yong Liu+4 more|arXiv (Cornell University)|May 16, 2019

Recommender Systems and Techniques参考文献 33被引用 24

一句话总结

本文通过提出一个全面的分类体系，回顾了多样化推荐的最新进展，用于衡量和优化推荐系统中的多样性。它整合了定义、优化技术及未来研究方向，强调个体多样性、个性化、时间动态性、可解释性、视觉设计以及心理驱动因素，以提升用户满意度和长尾商品的曝光度。

ABSTRACT

With the rapid development of recommender systems, accuracy is no longer the only golden criterion for evaluating whether the recommendation results are satisfying or not. In recent years, diversity has gained tremendous attention in recommender systems research, which has been recognized to be an important factor for improving user satisfaction. On the one hand, diversified recommendation helps increase the chance of answering ephemeral user needs. On the other hand, diversifying recommendation results can help the business improve product visibility and explore potential user interests. In this paper, we are going to review the recent advances in diversified recommendation. Specifically, we first review the various definitions of diversity and generate a taxonomy to shed light on how diversity have been modeled or measured in recommender systems. After that, we summarize the major optimization approaches to diversified recommendation from a taxonomic view. Last but not the least, we project into the future and point out trending research directions on this topic.

研究动机与目标

• 解决传统推荐系统过度关注准确率而忽视多样性的局限，避免结果过于狭窄或偏向热门商品。
• 通过回顾多种定义和测量方法，阐明推荐系统中多样性的多维特性。
• 提供一个系统化的多样性优化技术分类体系，以指导研究人员对现有方法进行分类、关联与理解。
• 识别并突出多样化推荐中的新兴研究方向，包括个性化、时间动态性、可解释性、视觉多样性以及心理驱动模型。
• 通过基于分类体系的系统性综述，弥合现有综述在推荐系统多样性研究中的空白，尤其聚焦于个体层面的多样性。

提出的方法

• 基于特征类型（显式与隐式）、相异度度量方式以及建模层次（个体多样性与聚合多样性），提出多样性定义的分类体系。
• 将优化方法划分为三类：重排序、损失函数修改与模型架构重构，各类方法具有不同的多样性促进机制。
• 通过引入用户特定偏好与好奇心驱动行为，提出多样性中的个性化概念，以增强新颖性与相关性。
• 通过建模用户行为序列随时间的演变，探索时间多样性，确保时间有序交互中保持推荐结果的多样性。
• 通过提出将推荐理由与项目新颖性及相关性关联的策略，研究可解释性多样性，提升透明度。
• 通过考虑版面布局与视觉设计因素，探讨视觉多样性，倡导采用考虑空间与视觉特征的子模重排序框架。

实验结果

研究问题

• RQ1 如何在不同特征类型与建模层次下，系统性地定义并测量推荐系统中的多样性？
• RQ2 增强个体多样性的同时保持相关性的关键优化策略有哪些？它们在有效性上的对比如何？
• RQ3 如何将时间动态性整合到多样化推荐中，以维持随时间推移的多样性？
• RQ4 可解释性推荐技术在支持多样性感知解释方面，可如何扩展？
• RQ5 如何将视觉设计与心理原则（如好奇心）整合到多样化推荐模型中？

主要发现

• 推荐系统中的多样性最应从个体层面理解，即最大化相对于已推荐项目的全新程度，而非用户群体间的聚合多样性。
• 基于内容与协同过滤的方法常因基于相似度的特性，导致推荐结果狭窄或偏向热门项目，因此必须引入显式多样性机制。
• 通过建模用户序列行为并确保推荐列表在时间上具有显著变化，可增强时间多样性，但目前仅有少数模型关注此问题。
• 可解释性多样性仍处于研究空白，现有方法多聚焦于相关性解释，而未阐明新颖性或多样性的合理性。
• 通过考虑项目布局与视觉特征的布局感知重排序，可提升视觉多样性，但现有方法仍局限于基于类别的子模优化。
• 心理驱动的多样性，特别是通过建模用户好奇心与社会影响，为发现长尾项目并提升用户参与度提供了有前景的路径，但目前仍处于研究初期。