HICF：双曲信息感知协同过滤
信息检索
2022-07-20 v1 人工智能
摘要
考虑到用户-物品网络中幂律分布的普遍性，双曲空间近期引起了相当关注，并在推荐系统中取得了令人印象深刻的性能。双曲推荐的优势在于其指数增长的容量非常适合描述幂律分布的用户-物品网络，而欧氏等价物有所欠缺。然而，哪些类型的物品能被双曲模型有效推荐、哪些不能，仍不清楚。为解决上述关切，我们以最基本的推荐技术协同过滤为媒介，研究双曲与欧氏推荐模型的行为。结果揭示：(1)尾部物品在双曲空间比在欧氏空间更受重视，但仍有充足改进空间；(2)头部物品在双曲空间受适度关注，可大幅改进；(3)尽管如此，双曲模型展现出比欧氏模型更具竞争力的性能。受上述观察驱动，我们设计了一种新颖的学习方法，名为双曲信息感知协同过滤(HICF)，旨在弥补头部物品的推荐效果，同时提升尾部物品的性能。其主要思想是调整双曲间隔排序学习，使其拉与推过程具备几何感知，并为头部与尾部物品的学习提供信息性指导。大量实验支持了分析发现，并展示了所提方法的有效性。该工作对个性化推荐具有价值，因为它揭示了双曲空间有助于建模尾部物品，而尾部物品常代表用户定制偏好或新产品。
引用
@article{arxiv.2207.09051,
title = {HICF: Hyperbolic Informative Collaborative Filtering},
author = {Menglin Yang and Zhihao Li and Min Zhou and Jiahong Liu and Irwin King},
journal= {arXiv preprint arXiv:2207.09051},
year = {2022}
}
备注
Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '22)