[论文解读] Twitter Hashtag Recommendation using Matrix Factorization

Hamidreza Alvari|arXiv (Cornell University)|May 30, 2017

Recommender Systems and Techniques参考文献 20被引用 3

一句话总结

本文提出一种基于加权矩阵分解（hWMF）的标签推荐系统，该系统仅依据用户的历史标签使用情况推荐标签，而不依赖推文内容。通过建模标签之间的相关性，并使用交替最小二乘法进行优化，该方法在推荐相关且用户一致的标签方面优于基线方法。

ABSTRACT

Twitter, one of the biggest and most popular microblogging Websites, has evolved into a powerful communication platform which allows millions of active users to generate huge volume of microposts and queries on a daily basis. To accommodate effective categorization and easy search, users are allowed to make use of hashtags, keywords or phrases prefixed by hash character, to categorize and summarize their posts. However, valid hashtags are not restricted and thus are created in a free and heterogeneous style, increasing difficulty of the task of tweet categorization. In this paper, we propose a low-rank weighted matrix factorization based method to recommend hashtags to the users solely based on their hashtag usage history and independent from their tweets' contents. We confirm using two-sample t-test that users are more likely to adopt new hashtags similar to the ones they have previously adopted. In particular, we formulate the problem of hashtag recommendation into an optimization problem and incorporate hashtag correlation weight matrix into it to account for the similarity between different hashtags. We finally leverage widely used matrix factorization from recommender systems to solve the optimization problem by capturing the latent factors of users and hashtags. Empirical experiments demonstrate that our method is capable to properly recommend hashtags.

研究动机与目标

• 解决由于隐私顾虑导致公开推文内容不可用时，在Twitter上推荐相关标签的挑战。
• 克服依赖自然语言处理（NLP）且计算开销大的内容方法的局限性。
• 将标签推荐建模为一个优化问题，整合用户标签使用历史和标签相关性。
• 开发一种轻量级、无需内容的推荐模型，利用用户行为模式和标签共现关系。
• 证明用户会持续采用相似的标签，从而验证基于历史使用记录进行有效推荐的合理性。

提出的方法

• 将用户-标签交互建模为稀疏低秩矩阵 X ∈ ℝ₊^{N×M}，其中 x_ij 表示用户 i 是否使用了标签 j。
• 将标签推荐表述为一个优化问题，以最小化观测到的与预测的用户-标签交互之间的重构误差。
• 引入加权矩阵分解（hWMF），根据标签共现频率为训练样本分配更高的权重。
• 使用标签相关性权重矩阵 W 来反映标签之间的相似性，该矩阵基于标签在推文中的共同使用情况计算得出。
• 应用交替最小二乘法（ALS）算法，迭代优化用户和标签的潜在因子矩阵。
• 学习用户和标签的低维潜在因子，以捕捉潜在偏好和主题关系，而无需使用推文文本。

实验结果

研究问题

• RQ1 用户是否倾向于随时间采用相似的标签，表明其使用行为具有一致性？
• RQ2 标签共现模式能否有效用于提升推荐准确性？
• RQ3 无内容依赖、基于历史记录的矩阵分解方法与内容依赖方法在标签推荐中的表现如何比较？
• RQ4 在多大程度上引入标签相关性可提升推荐性能？
• RQ5 仅基于用户标签使用历史训练的低秩矩阵分解模型，能否在不依赖NLP或推文相似性计算的情况下取得具有竞争力的结果？

主要发现

• 两样本t检验确认，用户显著更可能采用相似的标签，验证了其标签使用行为的一致性。
• 所提出的hWMF模型在推荐准确标签方面优于基线方法，证明了引入标签相关性的有效性。
• 该方法无需依赖推文内容，因此适用于私有或非公开的用户时间线。
• 将标签共现作为权重矩阵引入，提升了模型的泛化能力和推荐精确度。
• 该模型计算效率高且可扩展，避免了复杂NLP流水线或相似性计算的需求。
• 在经过筛选的含热门标签的推文数据集上的实证评估证实，该模型能够推荐与用户历史记录一致的相关标签。