[论文解读] SPMC: Socially-Aware Personalized Markov Chains for Sparse Sequential Recommendation

Chenwei Cai, Ruining He+1 more|arXiv (Cornell University)|Jun 16, 2017

Recommender Systems and Techniques参考文献 16被引用 14

一句话总结

该论文提出 SPMC，一种社会感知的个性化马尔可夫链模型，通过联合利用用户的序列行为及其朋友的行为，提升在数据稀疏和冷启动场景下的推荐性能。通过使用社会正则化的个性化马尔可夫链建模用户偏好，SPMC 在四个真实世界数据集上实现了最先进性能，尤其在冷启动场景下表现优异，得益于对序列信号与社交网络信号的有效整合。

ABSTRACT

Dealing with sparse, long-tailed datasets, and cold-start problems is always a challenge for recommender systems. These issues can partly be dealt with by making predictions not in isolation, but by leveraging information from related events; such information could include signals from social relationships or from the sequence of recent activities. Both types of additional information can be used to improve the performance of state-of-the-art matrix factorization-based techniques. In this paper, we propose new methods to combine both social and sequential information simultaneously, in order to further improve recommendation performance. We show these techniques to be particularly effective when dealing with sparsity and cold-start issues in several large, real-world datasets.

研究动机与目标

• 为解决序列推荐中数据稀疏性和冷启动问题，通过引入社交网络信息。
• 改进现有模型中将序列与社交信号孤立处理的局限，如 FPMC 和 SBPR。
• 构建一个统一框架，将用户行为建模为个人偏好、近期行为及朋友近期行为的函数。
• 通过参数共享与正则化，降低稀疏场景下的模型复杂度与过拟合风险。
• 在具有不同程度稀疏性与冷启动问题的真实世界数据集上，实证验证模型的优越性。

提出的方法

• SPMC 使用个性化马尔可夫链建模用户行为，其中转移概率依赖于用户特定的潜在因子。
• 通过加权聚合机制，建模朋友近期行为对用户下一次行为的影响，引入社交影响。
• 采用 Sigmoid 加权融合朋友的行为，权重基于用户相似度（通过嵌入向量 W_u 和 W_u' 学习得到），以动态调节影响程度。
• 引入超参数 α 控制朋友信号的聚合策略，其中 α=1 对应朋友影响的简单算术平均。
• 采用端到端训练方式，使用类似 BPR 的成对排序目标函数，优化用户更偏好其交互过的项目而非未交互项目的概率。
• 通过反向传播更新参数，利用排序损失对所有模型参数（包括用户/项目嵌入、转移矩阵及社交权重）的偏导数进行更新。

实验结果

研究问题

• RQ1 在统一模型中结合序列与社交信号，是否能提升在稀疏与冷启动场景下的推荐性能？
• RQ2 与仅使用个人序列相比，整合朋友近期行为对用户下一次行为预测准确率有何影响？
• RQ3 在社交推荐模型中，如何最优地加权多个朋友的贡献？该加权方式对泛化性能有何影响？
• RQ4 模型性能对超参数（如嵌入维度与社交影响聚合参数 α）的敏感性如何？
• RQ5 所提出的模型是否能高效收敛，并在不同规模与稀疏度的数据集上保持稳定性？

主要发现

• SPMC 在仅考虑序列或社交信号的最先进模型之上表现更优，尤其在高稀疏性与冷启动问题显著的数据集上。
• 在 Ciao、Foursquare、Epinions 和 Flixster 数据集上，SPMC 的 AUC 分数高于 FPMC 与 SBPR，证明了联合建模的有效性。
• 模型在 100 次训练迭代内完成收敛，尽管模型复杂度增加，但训练效率与基线方法相当。
• 当维度 K 超过 20 后，AUC 提升趋于平缓，表明模型在用户交互有限的情况下仍具稳定性，不易过拟合。
• α 的最优值约为 1.0，表明朋友影响的简单算术平均能获得最佳性能。
• SPMC 在更大数据集（Foursquare 与 Flixster）上表现出更强稳定性，随着 K 增大，AUC 波动更小，表明对数据规模具有鲁棒性。