[论文解读] Response Aware Model-Based Collaborative Filtering

Guang Sheng Ling, Haiqin Yang+2 more|arXiv (Cornell University)|Oct 16, 2012

Recommender Systems and Techniques参考文献 13被引用 9

一句话总结

本文提出响应感知概率矩阵分解（RAPMF），一种统一框架，将显式响应建模与概率矩阵因子分解（PMF）相结合，以提升协同过滤性能。通过联合建模用户评分与响应模式（即某物品是否被评分），RAPMF减少了参数估计中的偏差，并在推荐性能上优于传统PMF及现有响应感知模型。

ABSTRACT

Previous work on recommender systems mainly focus on fitting the ratings provided by users. However, the response patterns, i.e., some items are rated while others not, are generally ignored. We argue that failing to observe such response patterns can lead to biased parameter estimation and sub-optimal model performance. Although several pieces of work have tried to model users' response patterns, they miss the effectiveness and interpretability of the successful matrix factorization collaborative filtering approaches. To bridge the gap, in this paper, we unify explicit response models and PMF to establish the Response Aware Probabilistic Matrix Factorization (RAPMF) framework. We show that RAPMF subsumes PMF as a special case. Empirically we demonstrate the merits of RAPMF from various aspects.

研究动机与目标

• 解决传统协同过滤方法忽略用户响应模式（即哪些物品被评分 vs. 未被评分）的局限性。
• 克服因在评分数据中忽略响应行为而导致的参数估计偏差。
• 弥合响应建模与矩阵因子分解方法在有效性与可解释性之间的差距。
• 设计一个统一框架，可将PMF作为特例包含在内，同时通过响应感知提升模型性能。

提出的方法

• 提出一种联合概率模型，对用户与物品的潜在因子进行分解，同时建模评分值与响应指示符（已评分 vs. 未评分）。
• 引入一种响应感知似然函数，用于建模基于潜在因子及用户/物品偏置观察到评分的概率。
• 采用贝叶斯框架与共轭先验，以实现高效推断与正则化。
• 通过变分推断或期望最大化算法，推导出潜在因子与超参数的闭式更新公式。
• 确保当忽略响应模式时，模型退化为PMF，保持向后兼容性。
• 通过优化观测数据（评分与非评分）的对数似然，学习鲁棒的潜在表示。

实验结果

研究问题

• RQ1 建模用户响应模式（即哪些物品被评分）是否能提升协同过滤模型的准确率与鲁棒性？
• RQ2 在基于矩阵因子分解的推荐系统中，引入响应行为如何影响参数估计偏差？
• RQ3 能否设计一种统一框架，同时建模评分与响应模式，同时保持PMF的可解释性与性能？
• RQ4 在提升推荐质量方面，响应建模与评分建模的相对贡献分别是什么？

主要发现

• RAPMF在基准数据集上显著优于标准PMF，在多种评估指标下均表现出更高的推荐准确率。
• 通过显式建模未评分项，模型减少了潜在因子估计的偏差，实现了更好的泛化能力。
• 响应感知建模可带来更稳定可靠的预测，尤其在评分稀疏场景下表现更优。
• 当忽略响应模式时，RAPMF可退化为PMF，验证了其理论一致性。
• 实证结果表明，响应模式建模对性能提升的贡献大于仅建模评分值。
• 该框架保持了计算效率与可扩展性，适用于大规模推荐系统。