[论文解读] Sampler Design for Bayesian Personalized Ranking by Leveraging View Data

Jingtao Ding, Guanghui Yu+3 more|arXiv (Cornell University)|Sep 21, 2018

Recommender Systems and Techniques参考文献 22被引用 11

一句话总结

本文提出了一种视图增强的负采样方法用于贝叶斯个性化排序（BPR），利用用户浏览数据作为购买与未观察项目之间的中间反馈。通过使用加权损失和用户特定的加权方式，对三种成对偏好关系——购买 vs. 浏览、浏览 vs. 未观察、购买 vs. 未观察——进行建模，该方法提升了推荐准确率，在真实世界数据集上相较原始BPR实现了37.03%的相对提升。

ABSTRACT

Bayesian Personalized Ranking (BPR) is a representative pairwise learning method for optimizing recommendation models. It is widely known that the performance of BPR depends largely on the quality of negative sampler. In this paper, we make two contributions with respect to BPR. First, we find that sampling negative items from the whole space is unnecessary and may even degrade the performance. Second, focusing on the purchase feedback of E-commerce, we propose an effective sampler for BPR by leveraging the additional view data. In our proposed sampler, users' viewed interactions are considered as an intermediate feedback between those purchased and unobserved interactions. The pairwise rankings of user preference among these three types of interactions are jointly learned, and a user-oriented weighting strategy is considered during learning process, which is more effective and flexible. Compared to the vanilla BPR that applies a uniform sampler on all candidates, our view-enhanced sampler enhances BPR with a relative improvement over 37.03% and 16.40% on two real-world datasets. Our study demonstrates the importance of considering users' additional feedback when modeling their preference on different items, which avoids sampling negative items indiscriminately and inefficiently.

研究动机与目标

• 探究在大规模推荐系统中，是否必须从整个项目空间采样负样本，特别是在BPR中。
• 通过将用户浏览数据作为购买与未观察项目之间的中间反馈信号，提升BPR的性能。
• 设计一种更有效的负采样策略，以捕捉浏览行为中的正负信号。
• 开发一种用户导向的加权机制，根据个体用户的行为模式（特别是浏览-购买比率）自适应调整采样策略。

提出的方法

• 通过为每个用户选择一个固定的未观察项目子集，减少负采样空间，提升采样效率。
• 引入一种有偏采样过程，根据比较对的不同，将浏览项目视为正信号或负信号。
• 设计一种新型目标函数，联合建模三种成对偏好关系：购买 vs. 浏览、浏览 vs. 未观察、购买 vs. 未观察。
• 采用加权损失函数编码三种成对关系，其中可学习的权重反映各关系的相对重要性。
• 应用用户导向的加权策略，提高高浏览-购买比率用户浏览信号的影响。
• 使用基于所提采样器的随机梯度下降优化BPR目标，整合浏览数据而不修改模型架构。

实验结果

研究问题

• RQ1 在BPR中是否必须从整个项目空间采样负样本，还是减少候选集已足够？
• RQ2 能否有效利用用户浏览数据作为中间反馈信号，以提升BPR的偏好学习能力？
• RQ3 如何在一个统一的采样框架中建模浏览行为的双重语义——既表示潜在兴趣，也表示缺乏购买意图？
• RQ4 用户特定的加权策略是否能通过适配个体用户的行为模式，提升基于浏览的采样效果？

主要发现

• 所提出的视图增强采样器在Beibei数据集上相较原始BPR实现了37.03%的相对准确率提升，在Tmall-selected数据集上实现了16.40%的提升。
• 加权损失方案（BPR+view_loss）优于有偏采样基线（BPR+view_prob），在Tmall-selected数据集上HR提升10.20%，NDCG提升11.52%。
• 用户导向的加权策略在Beibei数据集上进一步将HR提升3.41%，NDCG提升3.31%，证实其对高浏览-购买比率用户的有效性。
• 该方法显著优于原始BPR和BPR-DNS，表明浏览数据在标准负采样之外，能进一步增强偏好建模能力。
• 在Beibei数据集中，由于流行度偏斜较高，视图增强的BPR仍优于流行度基线，表明其对数据偏斜具有鲁棒性。
• 实证结果表明，同时建模三种成对关系（购买-浏览-未观察）可获得比将浏览视为单一信号更优的偏好表征。