[论文解读] Trust-Based Collaborative Filtering: Tackling the Cold Start Problem Using Regular Equivalence

Tomislav Đuričić, Emanuel Lacić+2 more|arXiv (Cornell University)|Jul 18, 2018

Privacy-Preserving Technologies in Data参考文献 13被引用 6

一句话总结

本论文提出了一种基于信任的协同过滤方法，结合Katz相似度（KS）与规则等价性，以解决推荐系统中的冷启动问题。通过在信任网络上应用带路径长度控制和归一化技术的迭代KS方法——尤其是对长度为2的路径增强传播的信任度——该方法在所有指标上均优于基线模型，其中最佳方法（KS_{PCMB}）在各项指标上表现最优。

ABSTRACT

User-based Collaborative Filtering (CF) is one of the most popular approaches to create recommender systems. This approach is based on finding the most relevant k users from whose rating history we can extract items to recommend. CF, however, suffers from data sparsity and the cold-start problem since users often rate only a small fraction of available items. One solution is to incorporate additional information into the recommendation process such as explicit trust scores that are assigned by users to others or implicit trust relationships that result from social connections between users. Such relationships typically form a very sparse trust network, which can be utilized to generate recommendations for users based on people they trust. In our work, we explore the use of a measure from network science, i.e. regular equivalence, applied to a trust network to generate a similarity matrix that is used to select the k-nearest neighbors for recommending items. We evaluate our approach on Epinions and we find that we can outperform related methods for tackling cold-start users in terms of recommendation accuracy.

研究动机与目标

• 为解决协同过滤中的冷启动问题，即新用户评分极少或没有评分。
• 利用信任网络（包括显式和隐式信任）改进冷启动用户的邻居选择。
• 探索Katz相似度作为信任网络中规则等价性的度量方法，以实现更精确的相似度计算。
• 评估归一化技术与信任传播路径长度对推荐准确率的影响。
• 通过增强间接信任路径（长度为2）的相似度值，提升传播信任的影响，从而改善推荐性能。

提出的方法

• 从Epinions数据集中的用户信任关系构建有向信任邻接矩阵。
• 应用Katz相似度（KS）的迭代计算，以计算用户间的成对相似度，支持配置最大路径长度（k_max）。
• 引入一种改进的KS度量方法，对长度为2的路径增强相似度值，以强调间接信任连接。
• 应用多种归一化技术：联合度归一化、行归一化（使用l1、l2或最大范数），以稳定并改善相似度分布。
• 使用生成的相似度矩阵选择k个最近邻用于协同过滤，评估中k=10。
• 通过标准准确率指标（如Recall、Precision）在不同推荐项目数量（k=1至10）下评估性能。

实验结果

研究问题

• RQ1 Katz相似度作为规则等价性的度量，能否有效提升基于信任的协同过滤中冷启动用户的邻居选择？
• RQ2 在KS计算中控制最大路径长度（k_max）对推荐准确率有何影响？
• RQ3 在稀疏信任网络上使用KS时，哪种归一化技术（度归一化、行归一化）能产生最稳定且准确的相似度矩阵？
• RQ4 增强间接信任路径（长度为2）的相似度值是否能带来相比标准KS的推荐性能提升？
• RQ5 在不同k值下，所提出的基于KS的方法与基线方法（如Trust_exp、Pearson、Cosine）相比，在准确率和鲁棒性方面表现如何？

主要发现

• KS_{PCMB}方法——结合联合度归一化、使用最大范数的行归一化、k_max=2，以及对长度为2的路径增强相似度值——在所有准确率指标上均达到最高性能。
• 当关闭信任传播（k_max=1）时，无需归一化的Trust_exp等简单方法优于更复杂的归一化方案。
• 信任传播使相似度矩阵密度从0.0002提升至0.008，显著增加了可用邻居关系的数量。
• 使用最大范数的行归一化在大多数配置中始终优于l1和l2归一化。
• 联合度归一化优于仅使用入度归一化，尤其是在与行归一化结合时表现更优。
• KS_{PCMB}方法在k=1至10的Recall-Precision图中始终优于所有基线方法及其他KS变体，证明了其在不同推荐列表长度下的鲁棒性。