Towards diversified recommendations
Vers des systèmes de recommandation diversifiés
Résumé
Recommender systems (RS) have been widely applied in real life scenarios to constantly provide personalised recommendation to satisfy users’ need. In classical top-N recommendation models, historical user-item interactions are collected and exploited to learn and predict for each user a top-N item list. But we are also aware that both user-side and item-side auxiliary information may help to improve the recommendation performance. At the same time, in terms of recommendation performance, accuracy has been the main research focus in recommender systems, though works have pointed out that an optimal accuracy is not equal to an optimal satisfaction of users towards recommendation. An accuracy-centric recommendation model may create an isolate, singular and redundant atmosphere when providing the service, thus it is essential to bring other goals in RS to alleviate these problems. In this dissertation, we focus on bringing diversity along with accuracy as recommendation goals, as we argue that a diversified recommendation helps alleviate the problems suffered by accuracy-centric RS. We also take item-side auxiliary information into account for enhancing accuracy. Thus we propose diversity-aware top-N recommendations based on knowledge graph embedding to aim at achieving both high accuracy and high diversity in recommendation lists for users. Our first contribution is DivKG, a diversified recommendation framework that combines knowledge graph embedding and determinantal point processes (DPP). We propose a new personalised DPP kernel matrix construction method that uses knowledge graph embedding results for DPP diversification. Our second contribution is EMDKG, a diversified recommendation framework which encodes semantic diversity into item representations and achieve better trade-off compared to state-of-the art methods in terms of accuracy and diversity.
Les systèmes de recommandation (RS) sont largement appliqués dans la vie réelle pour fournir des recommandations personnalisées pour satisfaire les besoins des utilisateurs. Dans les modèles de recommandation top-N classiques, les historiques d’interactions entre utilisateur et éléments sont recueillies et exploitées pour apprendre et prédire des listes de top-N éléments. Mais nous sommes également conscients que les informations auxiliaires côté utilisateur et côté élément peuvent contribuer à améliorer la qualité des recommandations. En termes de mesures de performance de recommandation, la précision a été le principal objectif dans le domaine, bien que des travaux aient souligné qu’une précision optimale n’égale pas une satisfaction optimale des utilisateurs vis-à-vis de la recommandation. Un modèle de recommandation centré sur la précision peut renvoyer des résultats redondants lors de la fourniture du service. Il est donc essentiel d’apporter d’autres objectifs dans la recommandation pour atténuer ces problèmes. Dans cette thèse, nous nous concentrons sur l’étude conjointe de la diversité et de la précision en tant qu’objectifs de recommandation, car nous considérons qu’une recommandation diversifiée aide à atténuer les problèmes générés par la recommandation centrée sur la précision. Nous prenons également en compte les informations auxiliaires côté élément pour améliorer la précision. Ainsi, nous proposons des recommandations diversifiées top-N basées sur le plongement de graphes de connaissances pour atteindre à la fois une haute précision et une grande diversité dans les listes de recommandations. Notre première contribution est DivKG, un modèle qui combine le plongement de graphes de connaissances (KGE) et les processus ponctuels déterminantaux (DPP). Nous proposons une nouvelle méthode de construction de matrice de noyau DPP personnalisée qui utilise des résultats de KGE pour la diversification DPP. Notre deuxième contribution est EMDKG, un modèle qui encode la diversité sémantique dans les représentations d’éléments et réalise un meilleur compromis par rapport aux méthodes de l’état de l’art en termes de précision et de diversité.
| Origine | Version validée par le jury (STAR) |
|---|