论文笔记：Collaborative User Network Embedding for Social Recommender Systems

一、基本信息

论文题目：《Collaborative User Network Embedding for Social Recommender Systems》

发表时间：SIAM 2017

论文作者及单位：

Chuxu Zhang∗ Lu Yu† Yan Wang∗ Chirag Shah∗ Xiangliang Zhang†

论文地址：https://epubs.siam.org/doi/pdf/10.1137/1.9781611974973.43

 

二、摘要

        为了解决推荐系统中数据稀疏和冷启动的问题，研究者们引入了社会信息（如用户信任链接）来补充评级数据，以提高传统的基于模型的推荐技术如矩阵分解（MF）和贝叶斯个性化排名（BPR）的性能。尽管效果显著，但直接从此类社交信息中提取的明确用户-用户关系的利用有三个主要限制。

首先，很难获得明确可靠的社会联系。只有一小部分用户在推荐系统中明确表示他们信任的朋友。

其次，“冷启动”用户不仅在评级上“冷”，而且在社交上也是“冷”的。对于“冷启动”用户来说，没有明显数量的明确的社会信息是有用的。

第三，一个活跃的用户可以与不同品味/偏好的人建立社交关系。直接使用明确的社交链接可能会误导推荐。

为了解决这些问题，我们建议从用户反馈中提取隐含和可靠的社会信息，并为每个用户识别Top-k语义朋友。我们将Top-K语义友元信息合并到MF和BPR框架中，分别解决了评分预测和项目排序问题。在三个真实数据集上的实验结果表明，我们提出的方法比具有显示社会信息的最先进的MF（RMSE提高3.0%）和社会BPR（AUC提高9.1%）取得更好的效果。

 

三、论文主要工作和内容

1、本文主要工作：

为了解决上述问题，我们建议从用户对项目的反馈（如评级或购买）中提取隐含和可靠的社会信息，并为每个用户确定Top-k语义朋友。我们设计了一种新的CUNE（协作用户网络嵌入）方法，将反馈作为一个User-Item二部分网络（U-I-NET）进行管理，然后通过对用户的一种模式投影，将U-I-NET压缩成一个协作用户网络（C-U-NET）。接下来，受网络嵌入研究[2，13，19]的启发，我们通过bias random walk收集了C-U-NET中的一组节点序列（称为“语义社会语料库”）。我们利用skipgram模型[12]来处理由语义社会语料库组成的语言。最后，根据skipgram返回的嵌入向量表示，我们计算了每两个用户的相似性。与特定用户具有最大相似性的k用户被定义为Top-k语义朋友。CUNE还扩展了DeepWalk[13]的功能，通过以下方式生成反馈给skipgram的随机行走：（a）在早期只选择前一个节点的未访问邻居，确保每个随机行走都能达到大范围；（b）选择具有不同连接权重的偏差概率w.r.t.的前一个节点的邻居，这意味着语料库中两个节点的共存频率会影响它们的相关性。

2、Top-K语义朋友与明确的社会联系邻居相比，能更好地具有和用户相似的偏好。将Top-K语义朋友的信息整合到MF和BPR中，针对评分预测和项目排序问题分别提出了CUNE-MF（CUNE矩阵分解）和CUNE-BPR（CUNE贝叶斯个性化排序）算法。总之，我们的主要贡献如下：

• 我们设计了CUNE方法，通过一种模式投影和网络嵌入技术识别推荐系统中每个用户的Top-K语义朋友。
• 我们使用CUNE生成的Top-K语义朋友信息扩展了MF和BPR方法，并分别针对评级预测和项目排名问题提出了CUNE-MF和CUNE-BPR算法。
• 我们进行了大量的实验来评估CUNE-MF和CUNE-BPR的性能。结果表明，CUNE-MF优于最先进的使用显式社会关系的MF（预测误差降低3.0%左右），而CUNE-BPR比最先进的社会BPR（AUC评分提高9.1%左右）取得了更好的效果。

3、使用显式社会关系的局限：

• 显式社会关系难以获得
• 评分少的用户社会关系也更稀疏
• 用户的社交朋友也可能与他的偏好完全不同

       综上所述，明确的社会信息难以获取、使用稀疏、合并噪音大。因此，我们建议从容易获取的用户反馈中提取隐含和可靠的社会信息。提取的信息用于识别每个用户的Top-K语义朋友并方便推荐。

4、介绍了CUNE方法来识别每个用户的Top-K语义朋友，然后利用Top-K语义朋友信息给出语义社会推荐模型。

5、我们提出的CUNE方法包括三个连续的步骤：

1）通过一种模式投影构建协同用户网络；

2）通过偏倚随机游走生成语义社会语料库；

3）通过skipgram学习用户的潜在表示，以识别每个用户的顶级语义朋友。图3是CUNE方法中这些步骤的示例。

6、结合各用户的顶级语义朋友，进一步提出了CUNE-MF算法和CUNE-BPR算法，分别解决评分预测和项目排序问题。

7、实验与结果分析

 

四、总结

        为了解决显性社会信息固有的局限性，改进传统的基于模型的推荐技术，我们设计了一种新的CUNE方法，仅利用用户项目反馈的信息有效识别用户的顶级语义朋友。并结合各用户的顶级语义朋友，进一步提出了CUNE-MF算法和CUNE-BPR算法，分别解决了评分预测和项目排序问题。对三个真实数据集的实验结果表明，我们的方法优于传统的基于模型的方法和明确的社会推荐模型。总的来说，我们的工作为在推荐系统中识别用户的类似朋友提供了新的视角，并可能对更广泛的社会推荐系统研究有所启发。