[论文解读] Two-Way Latent Grouping Model for User Preference Prediction

Eerika Savia, Kai Puolamäki+2 more|arXiv (Cornell University)|Jul 4, 2012

Recommender Systems and Techniques参考文献 7被引用 3

一句话总结

本文提出了一种双向潜在分组模型，联合建模潜在用户群组与文档群组，以提升用户偏好预测性能，尤其适用于评分数据稀疏的新文档。通过吉布斯采样，该模型利用文档级分组，相较于用户评分档案模型，显著提升了冷启动场景下新文档的泛化能力与预测准确率。

ABSTRACT

We introduce a novel latent grouping model for predicting the relevance of a new document to a user. The model assumes a latent group structure for both users and documents. We compared the model against a state-of-the-art method, the User Rating Profile model, where only users have a latent group structure. We estimate both models by Gibbs sampling. The new method predicts relevance more accurately for new documents that have few known ratings. The reason is that generalization over documents then becomes necessary and hence the twoway grouping is profitable.

研究动机与目标

• 提升评分数据稀疏的新文档的用户偏好预测准确率。
• 解决推荐系统中因新项目评分数据过少而产生的冷启动问题。
• 同时建模用户与文档的潜在群组结构，而非仅建模用户群组。
• 通过结合文档级聚类与用户级聚类，提升模型泛化能力。
• 在相关性预测任务中，评估该模型相较于最先进基线模型（用户评分档案模型）的性能表现。

提出的方法

• 该模型假设用户与文档均存在潜在群组结构，从而实现对两类实体的联合聚类。
• 采用生成式概率框架，从观测到的评分数据中推断用户与文档的群组归属。
• 使用吉布斯采样估计用户与文档潜在群组分配的后验分布。
• 通过同时考虑用户的潜在群组及其所评分文档的潜在群组，学习用户偏好。
• 将评分的可能性条件建模为用户与文档群组归属的联合函数。
• 双向分组机制使得在评分数据有限的新文档上进行预测时，能够实现更优的泛化能力。

实验结果

研究问题

• RQ1 联合建模潜在用户与文档群组是否能提升评分数据稀疏的新文档的预测准确率？
• RQ2 与仅对用户进行分组的模型相比，加入文档级分组是否能提升性能？
• RQ3 该双向潜在分组模型在新文档的冷启动场景下是否具有更好的泛化能力？
• RQ4 用户群组结构与文档群组结构对预测性能的相对贡献如何？
• RQ5 与仅建模用户群组的用户评分档案模型相比，该模型的性能表现如何？

主要发现

• 相较于用户评分档案模型，双向潜在分组模型在评分数据稀疏的新文档上显著提升了预测准确率。
• 该模型的性能提升在冷启动场景下最为显著，此时文档级泛化能力至关重要。
• 同时建模用户与文档群组结构可实现更优的泛化能力，因为模型能利用两个维度上的模式。
• 吉布斯采样有效支持了对用户与文档潜在群组结构的推理。
• 结果表明，在评分数据稀疏的项目上预测相关性时，引入文档群组结构具有显著优势。
• 该模型在相关性预测任务中表现更优，尤其当每篇文档的已知评分数量较少时。