[论文解读] Recurrent Poisson Factorization for Temporal Recommendation

Seyed Abbas Hosseini, Keivan Alizadeh+5 more|arXiv (Cornell University)|Mar 4, 2017

Recommender Systems and Techniques参考文献 16被引用 5

一句话总结

本文提出循环泊松分解（RPF），一种时间推荐框架，将用户-物品交互建模为非齐次泊松过程，以捕捉重复行为和时间敏感偏好。通过将经典泊松分解扩展为随机强度函数，RPF 实现了准确的物品和返回时间预测，在真实世界音乐和电子商务数据集上优于最先进方法，且具备更优的可扩展性和可解释性。

ABSTRACT

Poisson factorization is a probabilistic model of users and items for recommendation systems, where the so-called implicit consumer data is modeled by a factorized Poisson distribution. There are many variants of Poisson factorization methods who show state-of-the-art performance on real-world recommendation tasks. However, most of them do not explicitly take into account the temporal behavior and the recurrent activities of users which is essential to recommend the right item to the right user at the right time. In this paper, we introduce Recurrent Poisson Factorization (RPF) framework that generalizes the classical PF methods by utilizing a Poisson process for modeling the implicit feedback. RPF treats time as a natural constituent of the model and brings to the table a rich family of time-sensitive factorization models. To elaborate, we instantiate several variants of RPF who are capable of handling dynamic user preferences and item specification (DRPF), modeling the social-aspect of product adoption (SRPF), and capturing the consumption heterogeneity among users and items (HRPF). We also develop a variational algorithm for approximate posterior inference that scales up to massive data sets. Furthermore, we demonstrate RPF's superior performance over many state-of-the-art methods on synthetic dataset, and large scale real-world datasets on music streaming logs, and user-item interactions in M-Commerce platforms.

研究动机与目标

• 为解决现有泊松分解方法在建模隐式反馈中的时间动态性和重复用户行为方面的局限性。
• 开发一种可扩展、可解释的框架，以捕捉动态用户偏好、社交影响以及用户和物品行为的异质性。
• 实现对下一个物品和用户返回时间的联合预测，提升时间敏感推荐的准确性。
• 基于泊松过程基础，将经典 PF 变体（HPF、DPF、SPF）推广为其对应的循环版本（HRPF、DRPF、SRPF）。
• 设计一种变分推断算法，可在保持模型表达力的同时扩展至大规模数据集。

提出的方法

• RPF 将用户-物品交互建模为非齐次泊松过程，其中强度函数捕捉随时间变化的用户偏好和物品流行度。
• 强度函数被分解为用户和物品潜在因子，并引入时间依赖成分以建模动态偏好和社交影响。
• 该框架通过用点过程似然替代聚合计数，扩展了经典泊松分解，从而能够建模事件的时间和频率。
• 开发了一种变分推断算法以近似潜在因子的后验分布，实现对大规模数据集的可扩展性。
• 实例化了多种变体：DRPF 用于动态偏好，SRPF 用于社交影响，HRPF 用于用户和物品行为的异质性。
• 模型采用具有共享潜在因子和时间依赖参数的对数线性强度函数，以捕捉时间演化和同伴效应。

实验结果

研究问题

• RQ1 将用户交互建模为泊松过程是否能相比基于计数的泊松分解，提升时间推荐的准确性？
• RQ2 RPF 在预测下一个物品和用户返回时间方面表现如何，特别是在与最先进方法对比时？
• RQ3 RPF 变体（DRPF、SRPF、HRPF）在多大程度上能捕捉动态偏好、社交影响以及用户和物品行为的异质性？
• RQ4 RPF 框架在实现优越性能的同时，是否保持了可解释性？
• RQ5 所提出的变分推断方法是否能有效扩展至大规模真实世界推荐数据集？

主要发现

• 基于 RPF 的方法在合成数据集和真实世界数据集上，均在物品预测和返回时间预测任务中持续优于最先进方法。
• 在 Last.fm 和 Tianchi 数据集上，基于 RPF 的模型在返回时间预测中取得了更低的 MAE，其中 DRPF 和 DSRPF 对真实事件序列的拟合效果最佳。
• 分位数图显示，基于 RPF 的模型更贴近用户返回时间的实际分布，其斜率更接近于 1，优于 TSRS。
• DRPF 在 Tianchi 数据集上表现更优，因其用户事件密度更高，表明其在数据丰富的环境中具有优势。
• 即使在测试数据规模增加的情况下，基于 RPF 的方法性能依然稳定，表现出良好的泛化能力。
• RPF 的可解释性使我们能够发现有意义的模式，如同伴影响、热门物品以及用户行为的时间动态特征。