[论文解读] Towards Personality-Aware Recommendation

Giorgio Roffo|arXiv (Cornell University)|Jul 18, 2016

Personality Traits and Psychology参考文献 14被引用 4

一句话总结

本文介绍了ADS数据集，这是一个公开可用的计算广告基准数据集，包含由120名用户评分的300则真实广告，并附带了五大性格特质和用户提供的照片。结果表明，引入性格特征可显著提升广告评分预测（L2-SVR与LR模型的RMSE降低）和点击率预测（AUC从51.9%提升至53.4%的LR-B5模型），为性格感知推荐系统奠定了基础。

ABSTRACT

In the last decade new ways of shopping online have increased the possibility of buying products and services more easily and faster than ever. In this new context, personality is a key determinant in the decision making of the consumer when shopping. The two main reasons are: firstly, a person's buying choices are influenced by psychological factors like impulsiveness, and secondly, some consumers may be more susceptible to making impulse purchases than others. To the best of our knowledge, the impact of personality factors on advertisements has been largely neglected at the level of recommender systems. This work proposes a highly innovative research which uses a personality perspective to determine the unique associations among the consumer's buying tendency and advert recommendations. As a matter of fact, the lack of a publicly available benchmark for computational advertising do not allow both the exploration of this intriguing research direction and the evaluation of state-of-the-art algorithms. We present the ADS Dataset, a publicly available benchmark for computational advertising enriched with Big-Five users' personality factors and 1,200 personal users' pictures. The proposed benchmark allows two main tasks: rating prediction over 300 real advertisements (i.e., Rich Media Ads, Image Ads, Text Ads) and click-through rate prediction. Moreover, this work carries out experiments, reviews various evaluation criteria used in the literature, and provides a library for each one of them within one integrated toolbox.

研究动机与目标

• 为解决性格感知广告推荐领域缺乏公开可用基准的问题。
• 探究性格特质如何影响用户在在线广告中的偏好。
• 提供一个标准化的数据集和评估框架，用于测试基于性格信息的推荐系统。
• 实现利用性格特征和情感特征对计算广告领域最先进算法进行系统性评估。

提出的方法

• 通过一项受控的用户研究收集了ADS数据集，共120名参与者对300则真实广告（涵盖富媒体、图片和文字广告等多种格式）进行了评分。
• 使用BFI-10问卷测量性格特质，涵盖五大维度：开放性、尽责性、外向性、宜人性和神经质。
• 数据集包含人口统计信息、用户偏好（网站、音乐、电视、书籍、爱好）以及1,200张用户提供的个人照片。
• 通过Inf-FS方法进行特征选择，该方法通过亲和图建模特征间关系，并基于其对回归任务的贡献度，选择最相关的75%的特征。
• 训练了包括L2-SVR、逻辑回归（LR）和SVR-rbf在内的基线模型，分别在有无性格特征的情况下进行训练，以评估其影响。
• 开发了一个全面的评估库，集成标准指标用于评分预测（RMSE、MSE、MAE）和点击预测（AUC、精确率、召回率），并保持一致的输入/输出格式。

实验结果

研究问题

• RQ1 性格特质在多大程度上提升了推荐系统中广告评分预测的准确性？
• RQ2 与基线模型相比，性格感知特征是否能够提升点击率预测的性能？
• RQ3 在评估基于性格信息的广告推荐系统时，不同评估指标（如AUC、精确率、召回率）之间有何差异？
• RQ4 性格特质与其他用户特征（如人口统计、偏好）相比，在预测广告参与度方面各自贡献如何？
• RQ5 标准化基准如何促进计算广告领域中可复现的研究与系统比较？

主要发现

• 在广告评分任务中，引入五大性格特质显著提升了预测性能，L2-SVR模型的p值小于0.05，逻辑回归模型的p值小于0.01，具有统计学显著性。
• LR-B5模型在点击率预测中达到53.4%的AUC，优于基线LR模型的51.9%，提升了1.5个百分点。
• 添加性格特征后，L2-SVR的AUC提升了0.9%（从50.5%增至51.4%），SVR-rbf的AUC提升了1.1%（从48.3%增至50.1%）。
• LR-B5模型的精确率和召回率分别达到41.2%和52.1%，表明在推荐偏好广告方面具有更好的平衡性。
• Inf-FS方法成功通过选择最相关的75%特征，实现了特征维度的降低，其中包括性格特质和用户行为模式。
• 所提出的代码库实现了使用标准化指标对评分和点击预测任务中的推荐系统进行一致且大规模的评估。