论文笔记：An Experimental Study on Implicit Social Recommendation

一、基本信息

论文题目：《An Experimental Study on Implicit Social Recommendation》

发表时间：SIGIR 2013

论文作者及单位：

Hao Ma   （Microsoft Research, Redmond, USA）

论文地址：https://dl.acm.org/citation.cfm?id=2484028.2484059

 

二、摘要

        近年来，由于社交网站的普及，社会推荐问题引起了人们的广泛关注。先前文献中的实验表明，社会信息在改进传统推荐算法方面非常有效。然而，在大多数推荐系统中，明确的社会信息并不总是可用的，这限制了社会推荐技术的影响。本文研究了以下两个研究问题：（1）在一些没有明确社会信息的系统中，我们还能利用隐含社会信息改进推荐系统吗？（2）在具有显性社会信息的系统中，使用隐性社会信息的表现是否优于使用显性社会信息的表现？为了回答这两个问题，我们对三个推荐数据集进行了全面的实验分析。结果表明：（1）隐式用户和项目社会信息，包括相似和不同的关系，可以用来改进传统的推荐方法。（2）在比较隐性社会信息与显性社会信息时，隐性信息的使用表现稍差。这项研究为社会推荐技术提供了更多的见解，也极大地扩大了效用，并传播了先前和未来社会推荐方法的影响。

 

三、论文主要内容与工作

1、隐式社会信息的定义

2、社会化推荐先前的研究分为两种，memory-based和model-based。基于记忆的方法通常直接或间接地使用社会信任度来表示两个用户之间的相似性。在[21]中，提出了一种信任感知推荐系统的方法。在这项工作中，协同过滤过程被用户的声誉所取代，这是通过传播信任来计算的。计算信任度以替换两个用户之间的相似性值。对一个大型社会推荐数据集（epinions）的实验表明，这项工作增加了覆盖率（可预测的评分数量），并且不降低准确性（预测误差）。在[23]中，提出了两种信任感知方法来改进标准的协作过滤方法。实验结果表明，用户信任信息有助于提高推荐质量。最近，基于矩阵分解框架的有效性和效率，提出了几种新的基于模型的方法，通过整合用户社会信息来增强传统的矩阵分解方法。在[20]中，提出了两种社会正则化方法，即用用户社会正则化项约束矩阵因子分解目标函数。与以前的方法不同，所提出的方法非常通用，它们不仅适用于用户信任关系，还适用于用户社交朋友关系。实验分析表明，该框架优于其他最先进的方法。尽管上述基于矩阵分解的社会推荐方法在推荐系统的研究中向前迈出了一大步，但由于这些方法需要使用明确的用户社会信息，因此它们的实用性受到限制，这在大多数推荐系统中并不总是可用的。在[18]中，引入了使用隐式信息的思想，然而，许多有趣的问题却无人关注。本文对隐性社会推荐进行了全面的实验研究，为当前的社会推荐技术提供了许多有益的见解。

在本节中，我们首先介绍了文献中提出的基于矩阵分解的社会推荐方法。然后，我们说明了如何利用隐式用户社会信息的情况下，在显式用户社会信息是不可用的情况下。最后，我们演示了如何利用不同的用户以及项目的社会信息来进一步改进推荐系统。
请注意，本文的主要重点是设计一个科学的实验研究，通过借用和扩展以前的社会推荐技术来探索几个有趣的重新搜索问题。开发全新的社会推荐技术已经超出了本文的研究范围。此外，我们只会描述那些技术，如果它们是从以前的工作中借用的。

3、解释了如何分别利用隐含的用户社会信息、不同的用户和item社会信息。然后，设计以下集成模型，以考虑所有可能有助于推荐系统的信息：

4、随后进行了实验，实验主要为了解决以下几个问题：

当无法获得明确的社会信息时：

• 隐式用户社会信息在IM证明传统矩阵分解方法中是否有效？
• 是否可以使用不同的用户来进一步提高推荐质量？
• 除了隐含的用户社会信息外，我们还能利用隐含的项目社会信息吗？
• 不同观察评级的用户的绩效比较是什么？

当明确的社会信息可用时：

• 使用隐性社会信息的表现是否优于使用显性社会信息的表现？

 

四、总结

本文研究了利用隐性社会信息改进推荐人制度的问题。一个非常通用的矩阵分解框架被用来整合不同的隐含社会信息。实验分析表明，可以有效地利用相似的用户信息、不同的用户信息、相似的项目信息和不同的项目信息来改进推荐系统。我们的工作不仅为社会推荐技术提供了深入的见解，而且将极大地扩大先前和即将推出的社会推荐方法的影响。

通过实验得出了以下结论

当显式社会信息无法获得时：

• 在没有明确的用户社会信息的情况下，我们发现使用隐含的用户社会信息（即最相似的用户）也可以提高矩阵分解框架下的推荐质量。
• 除了最相似的用户外，对于每个用户，最不相似的用户列表是进一步改进推荐系统的另一个理想来源。
• 扩展了隐式用户社会信息的计算思路，得出隐式item社会信息对提高推荐绩效也非常有帮助。

当显式社会信息可获得时

• 我们发现，每种形式使用隐性社会信息比使用显性社会信息略差。
• 我们还得出结论，拥有更大朋友多样性的社交网络在提高推荐质量方面更有效。