论文精选 | 特拉华大学殷可欣博士和宾夕法利亚大学赵俊骐博士联合在JCCE期刊发表《多样性和惊喜性偏好感知推荐系统 》的相关论文

摘  要：

作为推荐系统中的重要优化目标，对多样性和惊喜性的合理优化可以极大程度地减少用户搜索成本、提高业务运营者的销售和收入，进而改善推荐系统利益相关者的收益。现有的优化多样性和惊喜性的方法对每个用户都无差别地提高多样性或惊喜性，不可避免会减低推荐结果的相关性和准确性。因此，若能够在推荐算法中合理衡量不同用户对推荐结果多样性和惊喜性的不同偏好，便能在提高多样性和惊喜性的同时提高预测准确性。为了填补此研究空白，本文提出了全新的考虑多样性和惊喜性地推荐算法（DSPA-RS）问题及其解决方法。为综合评估新推荐算法DSPA-RS的表现，本文采用MovieLens-2k数据并与推荐系统中广泛使用的七种推荐方法进行了比较测试。评估结果表明，DSPA-RS算法在满足用户多样性和惊喜性偏好方面表现最出色，提升范围为34.30%到108.27%，表明我们提出的新方法在推荐电影上最能满足用户对多样性和惊喜性偏好。在推荐准确性方面， DSPA-RS算法在Precision上比其他最准确的方法高34.62%，在Recall上高7.71%，在F1 Score上高24.37%。推荐准确性的提高表明DSPA-RS算法对用户多样性和惊喜性偏好的考虑和利用大大地提高了推荐质量。

研究方法：

1. 文献综述

本文首先回顾了推荐系统领域中以提高准确性为代表的方法，其中既包含经典推荐算法， 也涵盖了基于深度神经网络的最新方法。接下来，我们回顾了现存推荐算法中综合考虑多样性、惊喜性与准确性的方法。本文回顾的研究有助于识别现有推荐系统的研究空白，特别是基于历史行为更好地估计用户惊喜性需求的必要性。

2. 问题表述与解决方法

我们首先定义多样性偏好和惊喜性动量的概念。然后，我们将多样性和惊喜性偏好感知推荐（DSPA-RS）问题定义为一个整数分配问题。我们证明了DSPA-RS 问题是一个NP难问题，然后按照解决NP难问题的常用方法将其松弛为可解问题并推导出了其近似解。

3. 实证评估

我们使用MovieLens-2k数据集对提出的DSPA-RS问题及解法进行评估， 该数据集是MovieLens10M数据集的扩展。鉴于DSPA-RS问题是一个新的研究问题，目前没有现有的推荐系统算法可以直接解决DSPA-RS问题。因此，我们使用三种方法作为基准：1）单纯以准确性为导向的推荐系统算法，2）考虑多样化的推荐算法，3）考虑惊喜性或惊喜性的推荐算法。具体如下表所示。

图1：用于比较分析的三种推荐算法

我们为每个用户构建电影推荐候选集，这些候选集将作为每种重排序方法的输入，即DSPA-RS、MMR、MSD、DPP和DiRec。我们使用NCF生成所有重排序方法的候选集。为评估推荐性能，我们使用以下两种推荐系统衡量指标：偏好匹配分数和准确性指标。为了评估用户偏好与推荐是否匹配，我们定义了多样性和惊喜性偏好匹配分数（DSPMS）。为了评估推荐的准确性，我们采用了Precision、Recall和F1 Score。这三个指标共同衡量推荐的准确性。

结果与讨论：

下表展示了DSPA-RS和其他七种方法在所有评估指标上的表现。如表所示，我们提出的DSPA-RS方法在所有评估指标中表现最高。对于DSPMS，我们的方法比其他方法高出34.30%到108.27%，表明DSPA-RS推荐的电影最能满足用户对于多样性和惊喜性的偏好。对于推荐准确性，我们的DSPA-RS方法在Precision上比最准确的方法高出34.62%，在Recall上高出7.71%，在F1 Score上高出24.37%。推荐准确性的提高表明DSPA-RS对多样性偏好和惊喜性动量的考虑和利用大大提高了推荐质量。我们还对DSPA-RS与其他所有方法在各个指标上进行了配对样本t检验，结果表明DSPA-RS在所有评估指标上都显著优于基准方法（p<0.001）。

图2：DSPA-RS与基准算法的效果对比

我们进一步分析了DSPA-RS方法性能优越性的原因。结果表明DSPA-RS通过同时优化多样性偏好目标和惊喜性偏好目标，对NCF生成的候选集进行重排序，这实现了本研究的关键贡献，既在不损害准确行的情况下提高推荐的多样性和惊喜性。如果我们一次只优化一个目标，多样性和惊喜性偏好感知方法将简化为两种方法：多样性偏好感知推荐系统（DPA-RS）和惊喜性偏好感知推荐系统（SPA-RS）。如果我们进一步放弃DSPA-RS方法的整个方法惊喜性，它将简化为纯NCF方法。下表报告了DSPA-RS与三种简化方法（DPA-RS、SPA-RS和NCF）之间的性能比较。如表上所示，DSPA-RS在DSPMS和预测准确性方面表现最佳。与DPA-RS和SPA-RS相比，DSPA-RS显著（p<0.001）提高了DSPMS，范围为5.81%到106.21%，Precision的提高在4.29%到92.09%之间，Recall的提高在5.26%-42.14%，且F1 Score的提高在4.82%和67.49%之间。DSPA-RS预测准确性的提高意味着用户的偏好是由两个因素协调驱动的，即由多样性偏好反映的熟悉度和由惊喜性动量反映的惊喜性。因此，仅优化其中一个驱动因素只能产生次优推荐。

图3：DSPA-RS与三种简化推荐方法的效果对比

理论贡献与未来研究：

首先，这项研究揭示了多样性和惊喜性结合优化的新方向——多样性和新颖性偏好感知推荐系统。心理学理论揭示，不同用户对推荐系统中熟悉和惊喜条目的分布有不同的偏好，并且这种偏好在不同的项目特征维度上可能有所不同。然而，现有的多样化和惊喜性方法忽略了用户的不同偏好，无差别地提高推荐的多样性和惊喜性。因此，现存方法在最大化多样性或惊喜性的同时不可避免地会损害推荐准确性。我们的方法通过衡量用户的偏好，科学地在现有算法基础上引入多样性和惊喜性，找到了提高多样性和惊喜性的同时不损害推荐准确性的有效解决方案。

https://ojs.bonviewpress.com/index.php/JCCE/article/view/3272

殷可欣博士，美国特拉华大学

赵俊骐博士，美国宾夕法尼亚州立大学

特拉华大学，美国

特拉华大学位于美国东部特拉华州的纽瓦克市，是一所公立研究型大学，也是公立常春藤大学之一。学校始建于1743年，最初名为纽瓦克学院，1921年正式更名为特拉华大学。学校拥有土地，海洋，空间和国家支持的科研机构，在2019年美国新闻周刊全美大学综合排名中名列89位，公立大学排名38位。

宾夕法尼亚州立大学，美国

宾夕法尼亚州立大学是一所位于美国宾夕法尼亚州的公立研究型大学。学校的机构设置上由农业科学学院、艺术与建筑学院和斯密尔商学院等在内的18所学院组成，教师中有普利策奖得主、古根海姆基金会奖学金获得者、美国艺术与科学院院士、美国微生物学会院士等。此外，宾夕法尼亚州立大学的众多校友中，包含诺贝尔奖得主和普利策奖得主等。学校在2023US Nwes学科排名中有12个学科位于前50。学校在2024QS WUR学科排名中排13位，学校的的工程、矿产和采矿、地球与海洋科学、心理学等17个学科位于前50。