FCS 文章解读 通过逻辑约束量化顺序推荐的可预测性。论文标题：Quantifying predictability of sequential recommendation via logical constraints（通过逻辑约束量化顺序推荐的可预测性）
期刊：Frontiers of Computer Science
作者：En XU, Zhiwen YU, Nuo LI, Helei CUI, Lina YAO, Bin GUO
发表时间：15 Oct 2023
DOI：10.1007/s11704-022-2223-1
微信链接：点击此处阅读微信文章
原文信息
标 题：
Quantifying predictability of sequential recommendation via logical constraints
发表年份：
2023年
原文链接：
https://journal.hep.com.cn/fcs/EN/10.1007/s11704-022-2223-1
引用格式：
En XU, Zhiwen YU, Nuo LI, Helei CUI, Lina YAO, Bin GUO. Quantifying predictability of sequential recommendation via logical constraints. Front. Comput. Sci., 2023, 17(5): 175612
01简介
顺序推荐可通过用户的历史行为来预测用户的下一次交互。以前的研究提出了各种方法来优化不同数据集上的推荐准确性，但尚未探索顺序推荐的内在可预测性。为此，本文考虑将流行的人类运动行为的可预测性理论应用于此推荐环境。 尽管如此，它仍然会在下一时刻测量候选集大小时产生严重偏差，导致预测不准确。 因此，确定候选集的大小是量化顺序推荐可预测性的关键。在这里，与利用拓扑约束的传统方法不同，首先提出一种从历史行为中学习项间关联的方法，以通过逻辑约束来限制大小。然后，通过10种优秀的推荐算法对其进行扩展，以了解用户行为之间更深层的关联。在处理少量重复行为和大量行为的场景中，本文的方法与现有的方法对比有显着改进。最后，通过在推荐系统的三个领域的五个经典数据集上进行测试，获得了64%到80%之间的预测率。
本文的贡献如下：
提出了一种方法来更好地估计顺序推荐的可预测性，以更好地了解当前推荐系统的发展水平，并提供有关准确性的提高空间。
我们挖掘项目之间的逻辑关系，发现用户行为会在逻辑空间中聚合。然后，我们利用用户的下一步行为和历史行为之间的逻辑约束来实现候选集筛选。
我们定义了顺序推荐中量化N的问题，并将其转化为两个任务。一是如何利用历史数据来预测N，二是在给定历史数据的情况下，N有多大才能确定用户行为。我们提出了两种计算N的方法，一种更容易实现，另一种更准确。
02方法
方法细节
需要使用历史数据来预测N，因此挖掘历史行为与立即发生的行为的关联来限定N。移动行为数据是用户历史行为的不断重复。因此直接来自历史数据的指标可以很好地反映N。顺序推荐需要挖掘项目之间更深层的关联，以找到前后动作之间的关系。使用图学习方法来获取项目之间的联系，然后统计发现用户历史项目之间的相似度显着高于一般项目之间的相似度。基于这个结论，本文想办法将候选项限制在下一时刻。
由于人类运动行为的拓扑限制，轨迹将聚集在一个区域周围，覆盖有限数量的位置。虽然顺序推荐场景中不存在拓扑约束，但本文的研究发现用户行为之间存在逻辑约束。首先，本文学习获取全局项目的关联关系并获取项目之间的相似度。然后进一步发现，用户历史行为之间的相似度明显高于全局项目之间的一般相似度。这说明用户的行为并不是随机的，从逻辑关联层面来看是高度规律性的。用户历史行为之间的相似度随着行为之间距离的增加而减少。这也符合我们的直觉。本文基于历史数据和下一次交互之间的紧密相关性，从而实现对N的过滤。
物品关联关系挖掘：有了用户行为序列数据后，我们首先需要学会获取物品之间的关联关系。 为了进一步探索用户行为的规律，我们可以直接用物品之间共同出现的次数来表示物品之间的相似度。 常见事件越多，两个项目之间的相似度就越高。 但这种方法效果不佳，不能准确反映项目之间的相关性。 同时，如果采用这种方法，我们需要为该项目存储一个大表，以获取一个项目与其他项目之间的相似度。 在这里，我们借用了自然语言处理工作中的word2vec。我们将用户的历史行为序列视为语言样本，并使用Skip-Gram算法学习嵌入，这将最大化获得的序列中两个节点同时出现的概率。
学习物品之间的关系，并通过物品之间的相似度来选择用户最近的行为来完成筛选。因此，在处理长序列时我们不会得到太大的值。当处理短序列时，它不会得到太小的值。我们可以处理非重复项的问题，当序列太长时，这会导致估计偏差过大的问题。 然而传统的方法在处理这一场景时会表现出明显的变异。
Frontiers of Computer Science
Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐期刊；两次入选中国科技期刊国际影响力提升计划；入选第4届中国国际化精品科技期刊；入选中国科技期刊卓越行动计划项目。
《前沿》系列英文学术期刊
由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被AHCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。
中国学术前沿期刊网
http://journal.hep.com.cn
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
来源：Frontiers of Computer Science