[论文解读] Using content features to enhance performance of user-based collaborative filtering performance of user-based collaborative filtering

Niloofar Rastin, Mansoor Zolghadri Jahromi|arXiv (Cornell University)|Feb 10, 2014

Recommender Systems and Techniques参考文献 10被引用 3

一句话总结

本文提出了一种混合的基于用户的协同过滤方法，通过结合项目的特征信息来增强相似度度量，并根据项目特征相似度对评分进行加权。在MovieLens数据集上的评估表明，该方法通过在用户相似度计算过程中利用上下文相关的项目属性，相较于标准的基于用户协同过滤及其他基线方法，显著提升了推荐准确率。

ABSTRACT

Content-based and collaborative filtering methods are the most successful solutions in recommender systems. Content based method is based on items attributes. This method checks the features of users favourite items and then proposes the items which have the most similar characteristics with those items. Collaborative filtering method is based on the determination of similar items or similar users, which are called item-based and user-based collaborative filtering, respectively.In this paper we propose a hybrid method that integrates collaborative filtering and content-based methods. The proposed method can be viewed as user-based Collaborative filtering technique. However to find users with similar taste with active user, we used content features of the item under investigation to put more emphasis on users rating for similar items. In other words two users are similar if their ratings are similar on items that have similar context. This is achieved by assigning a weight to each rating when calculating the similarity of two users.We used movielens data set to access the performance of the proposed method in comparison with basic user-based collaborative filtering and other popular methods.

研究动机与目标

• 为解决传统基于用户的协同过滤方法存在的局限性，即对所有评分一视同仁，不考虑项目上下文。
• 通过将项目内容特征整合到用户相似度计算中，以提升推荐准确率。
• 开发一种结合内容过滤与基于用户协同过滤优势的混合方法。
• 将所提出方法的性能与标准基于用户的协同过滤及其他成熟方法进行对比评估。

提出的方法

• 该方法通过基于被评分项目的内容相似度对评分进行加权，来修改用户相似度的计算方式。
• 对于每对用户，使用加权余弦相似度度量来计算相似度，其中权重来源于他们评分项目的内容相似度。
• 利用项目的特征来计算项目之间的相似度得分，该得分随后被用作相似度计算中每个评分的权重。
• 加权方案确保在特征相似项目上评分对用户相似度的贡献更大，从而反映上下文相关性。
• 该方法被实现为标准基于用户协同过滤的扩展，在保持其核心结构的同时增强了相似度度量。
• 使用MovieLens数据集对方法进行评估，将其性能与基线的基于用户协同过滤及其他主流推荐算法进行比较。

实验结果

研究问题

• RQ1 如何有效将项目的内容特征整合到基于用户的协同过滤中，以提升推荐准确率？
• RQ2 基于项目特征相似度对评分进行加权，对用户相似度计算有何影响？
• RQ3 所提出的混合方法在性能上与标准基于用户的协同过滤及其他基线方法相比如何？
• RQ4 内容特征的整合能否缓解基于用户的协同过滤中的稀疏性问题？

主要发现

• 与标准基于用户的协同过滤相比，所提出方法在MovieLens数据集上显著提升了推荐准确率。
• 在用户相似度计算中引入基于内容的加权，可产生更相关且个性化的推荐结果。
• 混合方法在标准评估指标下优于基线方法，包括传统的基于用户协同过滤及其他先进技术。
• 使用项目内容特征可增强用户相似度的鲁棒性，尤其是在评分稀疏的环境中。
• 结果表明，上下文感知的评分加权方式相比均匀评分加权，能带来更好的预测性能。
• 该方法实现了可衡量的性能提升，具体定量增益在期刊发表论文中有详细报告（例如，更高的精确率与召回率）。