[论文解读] Using Contextual Information as Virtual Items on Top-N Recommender Systems

Marcos Aurélio Domingues, Alí­pio Jorge+1 more|arXiv (Cornell University)|Jan 1, 2009

Recommender Systems and Techniques参考文献 14被引用 16

一句话总结

本文提出 DaVI（Dimensions as Virtual Items），一种通过将上下文属性（如时间、位置和音乐流派）视为现有协同过滤和关联规则算法中的虚拟项目，来增强 Top-N 推荐系统的方法。通过在不修改核心算法的前提下，将上下文数据直接整合到推荐模型中，DaVI 提升了预测准确性，尤其在拥有丰富上下文维度（如乐队或流派）时，F1 分数最高提升达 34%，优于传统用户-项目模型。

ABSTRACT

Traditionally, recommender systems for the Web deal with applications that have two dimensions, users and items. Based on access logs that relate these dimensions, a recommendation model can be built and used to identify a set of N items that will be of interest to a certain user. In this paper we propose a method to complement the information in the access logs with contextual information without changing the recommendation algorithm. The method consists in representing context as virtual items. We empirically test this method with two top-N recommender systems, an item-based collaborative filtering technique and association rules, on three data sets. The results show that our method is able to take advantage of the context (new dimensions) when it is informative.

研究动机与目标

• 通过在不修改现有推荐算法的前提下整合上下文信息，提升 Top-N 推荐系统的准确性。
• 探究时间、位置和音乐流派等上下文维度是否能有效提升推荐性能。
• 评估在基于项目协同过滤和基于关联规则的推荐系统中，将上下文表示为虚拟项目的效果。
• 将 DaVI 与现有上下文推荐方法（如 Combined Reduction）进行比较，特别是在多维上下文场景下的表现。

提出的方法

• 将每个上下文属性（如小时、星期、流派）表示为用户-项目交互矩阵中的虚拟项目。
• 通过将上下文维度视为额外项目，将其整合到推荐模型中，同时保持现有算法的结构不变。
• 将 DaVI 方法应用于两种推荐技术：基于项目的协同过滤（使用余弦相似度）和关联规则挖掘（设定最小支持度和置信度阈值）。
• 采用前向选择和全组合策略，识别用于推荐的最优上下文维度组合。
• 将 DaVI 与基线模型（仅用户-项目）及经过修改的 Combined Reduction 方法进行比较，后者通过上下文对会话进行分段。
• 使用 F1 指标在三个真实世界数据集（Listener、Playlist 和 Entree Chicago 餐厅数据）上评估性能。

实验结果

研究问题

• RQ1 将上下文属性视为虚拟项目是否能提升 Top-N 推荐系统的预测准确性？
• RQ2 DaVI 在不同类型的上下文维度（如从日志中推断的 vs. 从 CMS 中提取的）上的表现如何变化？
• RQ3 通过 DaVI 组合多个上下文维度是否优于单独使用某个维度或基线模型？
• RQ4 在 F1 分数和可扩展性方面，DaVI 与 Combined Reduction 方法相比表现如何？
• RQ5 哪些上下文维度能带来最高的推荐准确率提升，以及在何种条件下？

主要发现

• 在 Listener 数据集中，使用基于项目的协同过滤和 'band' 维度时，DaVI 的 F1 分数最高提升达 34%。
• 在 Playlist 数据集中，使用 'band' 维度时，DaVI 实现了 24% 的 F1 提升，表明在丰富上下文数据下表现强劲。
• 在 Entree 数据集中，'intention' 维度仅带来 5% 的 F1 提升，表明信息量较少的上下文带来的改进较小。
• 在 Entree 数据集中，基于关联规则的模型优于基于项目的协同过滤，使用 'intention' 维度时最大 F1 达 0.341。
• 使用前向选择和全部维度的 DaVI 表现具有竞争力，最佳结果通常与单独使用 '最佳上下文' 维度的方法相当或更优。
• 在某些情况下，Combined Reduction 基线模型的表现优于 DaVI，特别是在基于关联规则的场景中，表明模型复杂度与上下文整合之间存在权衡。