多行为流行度感知推荐

《Information Fusion》：Multi-behavior Popularity-aware Recommendation

　　

• 一种利用行为依赖性的新型多行为模型。
• 用于个性化流行度去偏的用户分类。
• 一种有效缓解推荐偏差的流行度匹配损失函数。

介绍
推荐系统（RSs）面临着一个持久的挑战，即流行度偏差（popularity bias），它描述了对热门物品而非非热门物品的不成比例的推荐曝光 [1]。这种偏差不仅削弱了推荐的公平性和多样性，还可能引发马太效应 [2]。此外，它进一步巩固了热门物品的支配地位，最终损害了用户体验 [3]。因此，基于物品流行度的推荐导致了两个问题。一个是仅关注物品流行度的推荐会忽略用户的真实注意力，并减少推荐的多样性 [4]。不同用户之间存在巨大的注意力差异。另一个是过度强调物品的流行度会降低推荐结果的公平性 [5]。一些高质量的长尾物品可见度低是不公平的，而一些低质量的热门物品却被频繁推荐。

现有的单行为推荐方法试图解决这一问题，主要关注缓解单一行为（如购买）中的流行度偏差 [6]。主流模型是将长尾物品添加到推荐列表中 [7]。一些模型将固定比例的非热门物品添加到推荐列表中，将其曝光率视为常数 [8]。另一种模型是利用因果图来识别直接受热门属性影响而影响推荐的路径，然后在训练期间使用反事实推断来阻断这些路径 [4]。它减少了热门物品的影响，恢复了更真实的用户偏好。然而，这些工作只考虑了用户的一种行为。事实上，在真实的电子商务环境中，用户有其他连续行为，如点击、浏览和收藏。此外，它只对最终行为（如购买）的流行度进行去偏，忽略了先前行为（浏览、加入购物车等）中潜在偏差传递机制。

因此，多行为流行度感知推荐已成为一个热门话题 [7], [9]，它整合了多种用户交互行为进行建模。与单行为流行度感知推荐相比，它突破了单一行为的信息局限性。一些模型研究偏差如何随时间累积并纠正动态反馈中的偏差，以提高长尾物品的推荐效果 [10]。一些模型认为并非数据中的所有偏差都是不好的，即一些物品之所以表现出更高的流行度是因为它们具有更好的内在质量 [11], [12]。其他模型构建因果图并使用因果推断来消除偏差，从而获得更接近用户真实偏好的预测结果 [13]。其中，多行为去偏（MBD）[14] 可以更好地解释偏差的来源，并提供更可靠的去偏推荐结果。多行为推荐模型整合了多种行为数据；然而，它们没有明确建模行为之间的依赖性。这导致无法利用行为链中的动态偏好信号来缓解流行度偏差。

在本文中，我们提出了多行为流行度感知推荐（MBPRec）。图 1 展示了我们的模型与 MBD 的对比，突出了两个模型之间的相似之处和差异。图 1 (a) 中两者的相似之处在于，MBD 和 MBPRec 都利用多行为交互数据来获得用户嵌入和物品嵌入，以缓解流行度偏差。它们通过将不同行为视为不同的边，能够全面捕捉用户偏好，从而超越单行为推荐模型的局限性。差异如下详细讨论。

首先，如图 1 (b) 所示，多行为交互利用的深度不同。MBD 主要利用多行为交互来获得有偏差的用户和物品嵌入。与之不同的是，我们的 MBPRec 对行为链之间的序列依赖性进行建模，例如浏览 → 加入购物车 → 购买。我们显式地聚合它们，以重新定义多行为下的物品流行度。这允许我们量化不同交互阶段的流行度积累过程，而不是将流行度视为静态的一维属性。

其次，如图 1 (c) 所示，个性化机制的粒度不同。MBD 专注于面向公平的去偏。然而，它并没有明确区分那些真正喜欢热门物品的用户和那些不喜欢的用户。与之不同的是，我们的 MBPRec 考虑到社会学将用户根据认知视角分为几类 [15]。在我们的 MBPRec 中，我们根据用户对物品流行度的认知，即他们对物品流行度的注意力对用户进行分类。为了简化我们的推荐模型，我们的工作将用户分为两组：潮流追随者（trend-followers）和保守者（conservatives）[16], [17]。因此，它不仅更有效地满足不同用户的偏好，还促进了长尾推荐的多样性。

第三，如图 1 (d) 所示，处理流行度偏差的核心策略根本不同。MBD 将流行度偏差视为混杂因素，并使用因果推断方法阻断混杂因素的影响。与之不同的是，我们的 MBPRec 采用流行度匹配策略来缓解偏差。该策略评估用户组的流行度偏好与物品流行度之间的匹配程度。

第四，如图 1 (e) 所示，损失函数不同。MBD 采用交叉熵损失 Lctr 和 Lctcvr，关注用户点击和点击后行为的概率。它消除了流行度对所有物品的影响。与之不同的是，我们从用户角度考虑流行度。我们考虑项 Lpop，它代表流行度匹配项。它不仅包括流行度对潮流追随者的正面影响，还包括对保守者的负面影响。

实验在五个数据集上进行：BeiBei1, TaoBao2, Yelp3, KuaiRec4 和 EB-NeRD5。我们采用召回率（Recall）、归一化折损累计增益（NDCG）和尾部物品平均比例（APT）来评估推荐性能。我们将我们的模型与 CGSoRec [18] 和 TIDE [11] 等二十四个最先进的模型进行了比较。源代码和数据可在 https://github.com/MBPRec/MBPRec 获取。结果表明我们的模型具有优势。

我们工作的主要贡献总结如下：
• 我们提出了一个模型，从行为依赖性的角度定义物品流行度，并差异性地建模多行为的语义贡献。
• 我们在个性化建模中引入了用户类型识别，并将用户对流行度注意力的差异纳入建模过程。
• 我们设计了一种流行度匹配损失来解决流行度偏差，并根据用户与物品之间的流行度匹配程度调整推荐分数。

本文的其余部分组织如下。第 2 节介绍相关工作。第 3 节详述了我们提出的模型。第 4 节描述了我们的实验。第 5 节总结全文。

章节片段
相关工作
本节介绍关于流行度感知推荐的相关工作。表 1 列出了全文使用的符号。

我们提出的框架
在本节中，我们介绍了提出的多行为流行度感知推荐。它包括四个阶段：1) 多行为下的物品流行度；2) 用户组构建；3) 用户和物品嵌入生成；4) 联合优化。

实验
在本节中，我们进行实验并呈现实验结果，以回答以下研究问题。
• RQ1：所提出的模型在提高性能方面是否有效？
• RQ2：用户不同行为对性能的贡献是什么？
• RQ3：超参数如何影响所提出的模型 MBPRec 的性能？

结论与未来工作
在本文中，我们提出了一个名为 MBPRec 的推荐模型。MBPRec 主要利用物品流行度来减少 RSs 中长尾效应的影响。MBPRec 更全面地考虑了物品流行度和用户偏好。我们的模型根据用户对物品流行度的注意力将用户分为保守者和潮流追随者，并引入流行度匹配系数来调整推荐概率。在五个知名数据集上的实验结果表明，

未引用的引用
缺少引用 图 4，图 5，图 6

CRediT 作者贡献声明
Yuan-Yuan Xu: 写作 – 原稿，软件，方法论。Jia-Yi Chen: 验证，软件，调查。Wen-Ting Zhang: 写作 – 审阅与编辑。Heng-Ru Zhang: 写作 – 审阅与编辑，监督，资金获取，概念化。Fan Min: 资源。

利益冲突声明
我们声明，我们与其他人员或组织没有财务和个人关系，这些关系可能会不恰当地影响我们的工作。对于本文所提及的任何产品、服务和/或公司，没有任何性质或种类的专业或其他个人利益，这些利益可能会被解释为影响本文手稿中的立场或审阅。

Yuan-Yuan Xu 于 2007 年获得中国电子科技大学光电信息工程学院硕士学位。目前她是中国成都西南石油大学的副教授。她已在 Pattern Recognition, IEEE Transactions on Computational Social Systems, Neurocomputing, Soft computing 和 International Journal of Machine Learning and Cybernetics 上发表论文。她当前的研究兴趣是

Yuan-Yuan Xu|Jia-Yi Chen|Wen-Ting Zhang|Heng-Ru Zhang|Fan Min