[论文解读] UniWalk: Explainable and Accurate Recommendation for Rating and Network Data

Haekyu Park, Hyunsik Jeon+3 more|arXiv (Cornell University)|Oct 18, 2017

Recommender Systems and Techniques参考文献 20被引用 27

一句话总结

UniWalk 是一种新颖的推荐系统，通过将评分数据与社交网络数据统一整合到单一图结构中，利用随机游走和混合目标函数，学习潜在特征以实现准确且可解释的推荐。该方法在推荐准确度上达到最先进水平（RMSE 和 MAE 最低），并提供双重解释——通过相似用户和相似项目进行解释，同时提供关于相似性决策的元解释。

ABSTRACT

How can we leverage social network data and observed ratings to correctly recommend proper items and provide a persuasive explanation for the recommendations? Many online services provide social networks among users, and it is crucial to utilize social information since recommendation by a friend is more likely to grab attention than the one from a random user. Also, explaining why items are recommended is very important in encouraging the users' actions such as actual purchases. Exploiting both ratings and social graph for recommendation, however, is not trivial because of the heterogeneity of the data. In this paper, we propose UniWalk, an explainable and accurate recommender system that exploits both social network and rating data. UniWalk combines both data into a unified graph, learns latent features of users and items, and recommends items to each user through the features. Importantly, it explains why items are recommended together with the recommendation results. Extensive experiments show that UniWalk provides the best explainability and achieves the state-of-the-art-accuracy.

研究动机与目标

• 解决结合异构评分数据与社交网络数据以提升推荐准确度与可解释性的挑战。
• 克服现有方法忽略社交数据或无法提供有意义解释的局限性。
• 通过基于用户相似性与项目相似性的双重解释，实现具有说服力的推荐。
• 提供关于为何某些用户或项目被视为相似的元解释，以增强用户信任与系统透明度。
• 在推荐准确度（RMSE、MAE）与可解释性方面，相比现有方法，实现最先进性能。

提出的方法

• 构建一个统一图，整合用户、项目、评分与社交链接，其中边权重反映关联强度。
• 在统一图上执行截断随机游走，以采样定量（评分）与定性（相似性/不相似性）链接。
• 使用结合监督学习（用于评分）与无监督项（用于相似性/不相似性）的混合目标函数，学习用户与项目的潜在特征。
• 利用学习到的特征预测用户对项目的评分，从而实现准确推荐。
• 通过识别：(1) 偏好相似且喜欢推荐项目的其他用户，以及 (2) 与目标用户已喜欢项目相似的项目，生成解释。
• 通过基于共享邻居或嵌入空间中特征接近度的依据，提供关于用户与项目之间相似性的元解释。

实验结果

研究问题

• RQ1 统一图表示能否有效结合评分与社交网络数据，以提升推荐准确度？
• RQ2 推荐系统如何同时提供准确预测与人类可理解的推荐解释？
• RQ3 在评分之外引入定性相似性与不相似性链接，对推荐性能与可解释性有何影响？
• RQ4 与现有最先进方法相比，所提方法在准确度与可解释性方面表现如何？
• RQ5 超参数（如评分、相似性与社交链接的权重）的变化在多大程度上影响模型性能与鲁棒性？

主要发现

• UniWalk 在所有对比方法中实现了最低的 RMSE 与 MAE，证明其在评分预测方面达到最先进准确度。
• UniWalk 通过提供两种不同类型的解释（基于相似用户与相似项目）实现了最佳可解释性。
• 该模型独特地支持元解释，可说明为何某些用户或项目被视为相似，从而增强推荐的说服力。
• 该方法对超参数变化具有鲁棒性，尤其对社交链接权重 $ c $ 不太敏感，但对无监督项权重 $ eta $ 和 $ eta $ 中度敏感。
• 在真实世界数据集（如 FilmTrust）上的大量实验表明，UniWalk 在准确度与解释质量方面均优于现有方法（如 TrustSVD、UCF、ICF 与 MF）。
• 训练过程显示稳定收敛，RMSE 与 MAE 随迭代次数减少并趋于稳定，表明优化过程可靠。