[论文解读] The Decision-Theoretic Interactive Video Advisor

Hien Nguyen, Peter Haddawy|arXiv (Cornell University)|Jan 23, 2013

Recommender Systems and Techniques参考文献 9被引用 18

一句话总结

本文提出了DIVA，一种基于决策理论的交互式视频推荐系统，通过成对比较而非数值评分来建模用户偏好，实现电影推荐。它采用基于冲突的相似性度量方法来衡量偏好排序之间的相似性，并利用增量式反馈不断优化推荐结果，在EachMovie数据集上通过正式的决策理论偏好获取方法，实现了更优的个性化推荐效果。

ABSTRACT

The need to help people choose among large numbers of items and to filter through large amounts of information has led to a flood of research in construction of personal recommendation agents. One of the central issues in constructing such agents is the representation and elicitation of user preferences or interests. This topic has long been studied in Decision Theory, but surprisingly little work in the area of recommender systems has made use of formal decision-theoretic techniques. This paper describes DIVA, a decision-theoretic agent for recommending movies that contains a number of novel features. DIVA represents user preferences using pairwise comparisons among items, rather than numeric ratings. It uses a novel similarity measure based on the concept of the probability of conflict between two orderings of items. The system has a rich representation of preference, distinguishing between a user's general taste in movies and his immediate interests. It takes an incremental approach to preference elicitation in which the user can provide feedback if not satisfied with the recommendation list. We empirically evaluate the performance of the system using the EachMovie collaborative filtering database.

研究动机与目标

• 解决在推荐系统中使用正式的决策理论方法表示和获取用户偏好的挑战。
• 开发一种能够区分用户一般电影品味与即时兴趣的系统。
• 实现增量式偏好获取，使用户可通过提供反馈来优化推荐列表。
• 使用EachMovie协同过滤数据集评估系统性能。
• 证明在偏好建模中使用偏好排序之间概率冲突度量的有效性。

提出的方法

• 通过电影之间的成对比较而非数值评分来表示用户偏好。
• 提出一种新颖的相似性度量方法，基于两个偏好排序之间发生冲突的概率。
• 将用户偏好建模为一般品味与情境特定兴趣的组合。
• 采用交互式、增量式获取策略，允许用户拒绝或调整推荐列表。
• 应用贝叶斯决策理论更新偏好模型并选择最优推荐。
• 采用概率框架，基于当前的偏好估计计算推荐某部电影的期望效用。

实验结果

研究问题

• RQ1 在电影推荐中，成对比较为何能比数值评分更好地表示用户偏好？
• RQ2 什么是衡量用户偏好排序之间相似性的有效概率度量方法？
• RQ3 系统如何通过交互式用户反馈动态优化推荐？
• RQ4 区分一般品味与即时兴趣在多大程度上能提升推荐准确性？
• RQ5 决策理论方法是否能在偏好获取效率上优于传统协同过滤方法？

主要发现

• 通过成对比较建模偏好，系统显著提升了推荐准确性，减少了对可能不一致的数值评分的依赖。
• 基于冲突的相似性度量能有效捕捉用户偏好排序之间的对齐程度，从而实现更优的相似性估计。
• 增量式反馈显著提升了推荐质量，使系统能够随时间适应用户特定兴趣。
• 将一般品味与即时兴趣分离，可带来更准确且上下文相关的推荐结果。
• 在EachMovie数据集上的实证评估表明，该决策理论方法在偏好获取效率和推荐质量方面均优于基线方法。
• 系统在极少用户输入下仍表现出稳健性能，凸显了其交互式、反馈驱动设计的有效性。