一、基本信息
論文題目：《Collaborative User Network Embedding for Social Recommender Systems》
發表時間：SIAM 2017
論文作者及單位：
Chuxu Zhang∗ Lu Yu† Yan Wang∗ Chirag Shah∗ Xiangliang Zhang†
論文地址：https://epubs.siam.org/doi/pdf/10.1137/1.9781611974973.43
二、摘要
爲了解決推薦系統中數據稀疏和冷啓動的問題，研究者們引入了社會信息（如用戶信任鏈接）來補充評級數據，以提高傳統的基於模型的推薦技術如矩陣分解（MF）和貝葉斯個性化排名（BPR）的性能。儘管效果顯著，但直接從此類社交信息中提取的明確用戶-用戶關係的利用有三個主要限制。
首先，很難獲得明確可靠的社會聯繫。只有一小部分用戶在推薦系統中明確表示他們信任的朋友。
其次，“冷啓動”用戶不僅在評級上“冷”，而且在社交上也是“冷”的。對於“冷啓動”用戶來說，沒有明顯數量的明確的社會信息是有用的。
第三，一個活躍的用戶可以與不同品味/偏好的人建立社交關係。直接使用明確的社交鏈接可能會誤導推薦。
爲了解決這些問題，我們建議從用戶反饋中提取隱含和可靠的社會信息，併爲每個用戶識別Top-k語義朋友。我們將Top-K語義友元信息合併到MF和BPR框架中，分別解決了評分預測和項目排序問題。在三個真實數據集上的實驗結果表明，我們提出的方法比具有顯示社會信息的最先進的MF（RMSE提高3.0%）和社會BPR（AUC提高9.1%）取得更好的效果。
三、論文主要工作和內容
1、本文主要工作：
爲了解決上述問題，我們建議從用戶對項目的反饋（如評級或購買）中提取隱含和可靠的社會信息，併爲每個用戶確定Top-k語義朋友。我們設計了一種新的CUNE（協作用戶網絡嵌入）方法，將反饋作爲一個User-Item二部分網絡（U-I-NET）進行管理，然後通過對用戶的一種模式投影，將U-I-NET壓縮成一個協作用戶網絡（C-U-NET）。接下來，受網絡嵌入研究[2，13，19]的啓發，我們通過bias random walk收集了C-U-NET中的一組節點序列（稱爲“語義社會語料庫”）。我們利用skipgram模型[12]來處理由語義社會語料庫組成的語言。最後，根據skipgram返回的嵌入向量表示，我們計算了每兩個用戶的相似性。與特定用戶具有最大相似性的k用戶被定義爲Top-k語義朋友。CUNE還擴展了DeepWalk[13]的功能，通過以下方式生成反饋給skipgram的隨機行走：（a）在早期只選擇前一個節點的未訪問鄰居，確保每個隨機行走都能達到大範圍；（b）選擇具有不同連接權重的偏差概率w.r.t.的前一個節點的鄰居，這意味着語料庫中兩個節點的共存頻率會影響它們的相關性。
2、Top-K語義朋友與明確的社會聯繫鄰居相比，能更好地具有和用戶相似的偏好。將Top-K語義朋友的信息整合到MF和BPR中，針對評分預測和項目排序問題分別提出了CUNE-MF（CUNE矩陣分解）和CUNE-BPR（CUNE貝葉斯個性化排序）算法。總之，我們的主要貢獻如下：
- 我們設計了CUNE方法，通過一種模式投影和網絡嵌入技術識別推薦系統中每個用戶的Top-K語義朋友。
- 我們使用CUNE生成的Top-K語義朋友信息擴展了MF和BPR方法，並分別針對評級預測和項目排名問題提出了CUNE-MF和CUNE-BPR算法。
- 我們進行了大量的實驗來評估CUNE-MF和CUNE-BPR的性能。結果表明，CUNE-MF優於最先進的使用顯式社會關係的MF（預測誤差降低3.0%左右），而CUNE-BPR比最先進的社會BPR（AUC評分提高9.1%左右）取得了更好的效果。
3、使用顯式社會關係的侷限：
- 顯式社會關係難以獲得
- 評分少的用戶社會關係也更稀疏
- 用戶的社交朋友也可能與他的偏好完全不同
綜上所述，明確的社會信息難以獲取、使用稀疏、合併噪音大。因此，我們建議從容易獲取的用戶反饋中提取隱含和可靠的社會信息。提取的信息用於識別每個用戶的Top-K語義朋友並方便推薦。
4、介紹了CUNE方法來識別每個用戶的Top-K語義朋友，然後利用Top-K語義朋友信息給出語義社會推薦模型。
5、我們提出的CUNE方法包括三個連續的步驟：
1）通過一種模式投影構建協同用戶網絡；
2）通過偏倚隨機遊走生成語義社會語料庫；
3）通過skipgram學習用戶的潛在表示，以識別每個用戶的頂級語義朋友。圖3是CUNE方法中這些步驟的示例。
6、結合各用戶的頂級語義朋友，進一步提出了CUNE-MF算法和CUNE-BPR算法，分別解決評分預測和項目排序問題。
7、實驗與結果分析
四、總結
爲了解決顯性社會信息固有的侷限性，改進傳統的基於模型的推薦技術，我們設計了一種新的CUNE方法，僅利用用戶項目反饋的信息有效識別用戶的頂級語義朋友。並結合各用戶的頂級語義朋友，進一步提出了CUNE-MF算法和CUNE-BPR算法，分別解決了評分預測和項目排序問題。對三個真實數據集的實驗結果表明，我們的方法優於傳統的基於模型的方法和明確的社會推薦模型。總的來說，我們的工作爲在推薦系統中識別用戶的類似朋友提供了新的視角，並可能對更廣泛的社會推薦系統研究有所啓發。