[论文解读] Recommendation Through Mixtures of Heterogeneous Item Relationships

Wang-Cheng Kang, Mengting Wan+1 more|arXiv (Cornell University)|Aug 29, 2018

Recommender Systems and Techniques参考文献 40被引用 5

一句话总结

本文提出 MoHR，一种序列推荐模型，通过在统一空间中使用平移度量嵌入，学习个性化混合的异质项间关系（包括显式和潜在关系）。通过建模用户对不同类型关系（如相似性、邻近性、共现性）的偏好，MoHR 在多个真实世界数据集（包括 Amazon、Google Local 和 Steam）上实现了整体排名和 Top-N 排名的最先进性能。

ABSTRACT

Recommender Systems have proliferated as general-purpose approaches to model a wide variety of consumer interaction data. Specific instances make use of signals ranging from user feedback, item relationships, geographic locality, social influence (etc.). Typically, research proceeds by showing that making use of a specific signal (within a carefully designed model) allows for higher-fidelity recommendations on a particular dataset. Of course, the real situation is more nuanced, in which a combination of many signals may be at play, or favored in different proportion by individual users. Here we seek to develop a framework that is capable of combining such heterogeneous item relationships by simultaneously modeling (a) what modality of recommendation is a user likely to be susceptible to at a particular point in time; and (b) what is the best recommendation from each modality. Our method borrows ideas from mixtures-of-experts approaches as well as knowledge graph embeddings. We find that our approach naturally yields more accurate recommendations than alternatives, while also providing intuitive `explanations' behind the recommendations it provides.

研究动机与目标

• 解决现有推荐系统依赖单一固定类型项间关系的局限性，该类型可能无法反映用户多样化的偏好。
• 建模用户对不同类型项间关系（如地理、社交、行为）在不同时间的动态、上下文依赖的敏感性。
• 构建一个统一框架，将显式和潜在项间关系整合为单一的概率混合模型，以提升推荐准确性。
• 通过识别每项推荐背后的关联类型（如“相似”、“附近”、“互补”）实现可解释的推荐。
• 在具有不同稀疏性和交互模式的多样化真实世界数据集上，证明模型的泛化能力和鲁棒性。

提出的方法

• 使用平移操作将所有项间关系（显式和潜在）表示为共享度量空间中的向量，其中项间转换被建模为向量加法。
• 引入个性化专家混合机制，模型通过门控网络学习每个用户和上下文下关系类型的概率分布。
• 使用统一的多任务学习目标，联合优化三个组件：用户偏好嵌入、项嵌入和特定关系的转移向量。
• 引入一个潜在关系类型 $ r_0 $，以捕捉用户反馈中未解释的序列转换，从而发现长程或隐式模式。
• 使用负采样和排序损失端到端训练模型，以优化 Top-N 推荐性能。
• 借鉴知识图谱嵌入原理（如 TransE 风格的平移），以可微分、可扩展的方式建模关系交互。

实验结果

研究问题

• RQ1 统一模型能否有效结合多种异质项间关系（如相似性、邻近性、共现性）以提升序列推荐的准确性？
• RQ2 与固定或单关系模型相比，建模用户对不同类型关系的偏好在多大程度上能提升推荐性能？
• RQ3 从序列反馈中学习的潜在关系类型在多大程度上能捕捉有意义的长程转换，超越显式关系？
• RQ4 模型能否通过识别每项推荐背后的关联类型（如“附近”、“相似”）提供可解释的说明？
• RQ5 MoHR 在稀疏和密集数据集上与基于深度学习的序列模型（如 GRU4Rec、Caser）相比表现如何？

主要发现

• MoHR 在测试的全部四个数据集上均实现了 NDCG@10 的最先进性能：Auto 数据集为 0.3478，Video 数据集为 0.5366，Google Local 数据集为 0.6091，Steam 数据集为 0.5598。
• 在 Amazon Automotive 数据集上，MoHR 超过所有基线模型，包括 GRU4Rec（修订版）和 Caser，展现出更优的 Top-N 排名性能。
• 潜在关系 $ r_0 $ 学习到了有意义且语义一致的转换——例如从 Universal Studios 到埃菲尔铁塔——表明其能捕捉长程和非局部模式。
• 定性分析表明，MoHR 生成上下文感知的推荐：对于相同的前一项，不同用户会因推断出的关系偏好不同（如品牌切换 vs. 配件补充）而获得不同的推荐。
• 在密集的 Steam 数据集上，MoHR 的表现略逊于 GRU4Rec（修订版），表明在高密度场景下，深度序列模型可能仍优于 MoHR，尤其是在可学习高阶模式时。
• 模型通过 $ P(r|u,i) $（即给定用户和项时关系类型的概率）提供推荐解释的能力，为用户行为提供了直观且可解释的洞察。