[论文解读] Similar but Different: Exploiting Users' Congruity for Recommendation Systems

Ghazaleh Beigi, Huan Liu|arXiv (Cornell University)|Mar 12, 2018

Recommender Systems and Techniques参考文献 16被引用 6

一句话总结

本文提出了一种新颖的推荐框架 CR，通过整合用户的契合度（定义为意见一致的程度）与社交关系，提升用户偏好预测能力。通过利用交互数据（如评分和有用性评分）推断契合度，模型提升了推荐准确性。实验表明，契合度提供的信号比仅依赖社交关系更密集、更具信息量，显著优于基线模型。

ABSTRACT

The pervasive use of social media provides massive data about individuals' online social activities and their social relations. The building block of most existing recommendation systems is the similarity between users with social relations, i.e., friends. While friendship ensures some homophily, the similarity of a user with her friends can vary as the number of friends increases. Research from sociology suggests that friends are more similar than strangers, but friends can have different interests. Exogenous information such as comments and ratings may help discern different degrees of agreement (i.e., congruity) among similar users. In this paper, we investigate if users' congruity can be incorporated into recommendation systems to improve it's performance. Experimental results demonstrate the effectiveness of embedding congruity related information into recommendation systems.

研究动机与目标

• 探究用户的契合度（即意见一致程度）是否能超越社交相似性，提升推荐系统性能。
• 解决将所有朋友视为相似度相同的问题，认识到尽管存在共同连接，朋友之间在兴趣上可能存在差异。
• 提出一种从外部用户交互数据（如评分和有用性评分）中提取契合度的方法。
• 证明契合度相较于社交关系能提供更密集、更具信息量的信号，以用于偏好预测。
• 提出并评估一种新的推荐框架 CR，联合建模社交关系与契合度。

提出的方法

• 该框架从交互数据（包括项目评分和评论有用性评分）构建用户-用户契合度矩阵。
• 契合度基于用户在共享评分和评论反馈上的意见一致程度，计算为归一化的一致性度量。
• 采用加权融合用户相似度的方式，将社交关系（好友图）与契合度信息结合，形成混合模型。
• 模型采用矩阵分解方法预测缺失评分，并引入同时包含社交和契合度相似性的正则化项。
• 该框架在真实世界数据集（Epinions 和 Ciao）上端到端训练，预处理阶段过滤了低活跃度用户和项目。
• 使用 RMSE 和 MAE 评估性能，通过对比包含或不包含契合度或社交关系的模型，以隔离其各自贡献。

实验结果

研究问题

• RQ1 社交关系与契合度在用户相似性表示上存在哪些差异？
• RQ2 为何整合契合度对推荐系统有益，尤其是在仅依赖社交关系时性能不足的情况下？
• RQ3 如何从用户交互数据（如评分和有用性评分）中数学推导出契合度？
• RQ4 契合度与社交关系在提升推荐准确度方面的相对贡献如何？
• RQ5 统一框架能否有效结合契合度与社交关系，以增强预测性能？

主要发现

• 从 CR 模型中移除契合度信息导致的性能下降，大于移除社交关系信息，表明契合度提供了更密集、更具信息量的信号。
• CSRR–C 模型（整合契合度）优于仅使用社交关系的 CSRR–S 模型，证明了意见层面一致性的附加价值。
• 结合模型 CSRR–CS（同时使用契合度与社交关系）达到最佳性能，表明两者具有互补性。
• 契合度比社交关系更密集，表现为具有可测量契合度的用户对数量高于友谊链接数量。
• 在 Epinions 和 Ciao 数据集上的结果证实，契合度显著提升了推荐准确度，且在 RMSE 和 MAE 指标上均呈现一致趋势。
• 该框架成功从真实世界交互数据中提取出有意义的契合度，验证了其在实际推荐系统中的可行性与有效性。