A bayesian personalized recommendation system

Abstract

In this research, we propose a novel Bayesian approach for personalized recommendations. We succeed in providing recommendations that are entirely personalized, based on a user’s past item “consumptions”, building a representative user model which reflects agent’s corresponding beliefs. Having a set of items, our agent has to select the one which better matches her beliefs about a specific user, in order to recommend it and receive the corresponding reward. In our approach, we model both user preferences and items under recommendation as multivariate Gaussian distributions; and make use of Normal-Inverse Wishart priors to model the recommendation agent beliefs about user types. We interpret user ratings in an innovative way, using them to guide a Bayesian updating process that helps us both capture a user’s current mood, and maintain her overall user type. We produced several variants of our approach, and applied them in the movie recommendations domain, evaluating them on data from the MovieLens dataset. We developed a generic & domain independent system, able to face the scalability challenge and able to capture user preferences (long-term and short-term). Moreover, we dealt with the exploration vs exploitation dilemma in this domain, via the application of various exploration algorithms (e.g., VPI exploration). Ours is a completely personalized approach, which exploits Bayesian Reinforcement Learning in order to recommend an item or a top-N group of items, without the need of ratings prediction. We do not employ a Collaborative Filtering or Content-based or Preference Elicitation technique, but we are still able to provide successful recommendations. Furthermore, we tackle the famous “cold-start” problem via the use of Bayesian and VPI explorations. Our algorithms are shown to be competitive against a state-of-the-art method, which nevertheless requires a minimum set of ratings from various users to provide recommendations --- unlike our entirely personalized approach.

Στη συγκεκριμένη έρευνα προτείνουμε ένα καινοτόμο Μπαεσιανό Σύστημα Προτάσεων. Το σύστημά μας παρέχει εντελώς εξατομικευμένες προτάσεις βασιζόμενο στις παλαιότερες “καταναλώσεις” αντικειμένων του χρήστη, δομώντας ένα αντιπροσωπευτικό μοντέλο χρήστη το οποίο αντικατοπτρίζει τις πεποιθήσεις του πράκτορα. Έχοντας ένα σύνολο αντικειμένων, ο πράκτοράς μας πρέπει να επιλέξει εκείνο που ταιριάζει περισσότερο στις πεποιθήσεις του σχετικά με ένα συγκεκριμένο χρήστη, προκειμένου να του το προτείνει και να λάβει την αντίστοιχη ανταμοιβή. Στην προσέγγισή μας, μοντελοποιούμε τις προτιμήσεις του χρήστη και τα αντικείμενα προς πρόταση ως πολυδιάστατες Gaussian κατανομές, και χρησιμοποιούμε Normal-Inverse Wishart priors για να μοντελοποιήσουμε τις πεποιθήσεις του πράκτορα σχετικά με τον τύπο του χρήστη. Ερμηνεύουμε τις βαθμολογίες του χρήστη με καινοτόμο τρόπο χρησιμοποιώντας τις για να καθοδηγήσουμε το Bayesian updating, που μας βοηθά να ανιχνεύσουμε την τρέχουσα διάθεση του χρήστη και να διατηρήσουμε το γενικό τύπο του. Επίσης, δημιουργήσαμε διάφορες παραλλαγές της προσέγγισής μας και τις εφαρμόσαμε στον τομέα της πρότασης ταινιών, αξιολογώντας τις σε δεδομένα που προέρχονται από το MovieLens. Με τη συγκεκριμένη εργασία, καταφέραμε να διαχειριστούμε τις προκλήσεις που προκύπτουν σε αυτόν τον τομέα. Έτσι, καταφέραμε να αναπτύξουμε ένα γενικό, ανεξαρτήτου τομέα, σύστημα, το οποίο αντιμετωπίζει εύκολα την πρόκληση της επεκτασιμότητας και είναι ικανό να αιχμαλωτίσει τις προτιμήσεις του χρήστη (μακροπρόθεσμες και βραχυπρόθεσμες). ακόμη, διαχειριστήκαμε επιτυχώς το δίλημμα εξερεύνηση έναντι εκμετάλλευσης. εφαρμόζοντας διάφορους αλγορίθμους εξερεύνησης (πχ., εξερεύνηση VPI). Αναφερόμενοι στη συνεισφορά αυτής της έρευνας, η συγκεκριμένη είναι μια αποκλειστικά εξατομικευμένη προσέγγιση, η οποία αξιοποιεί Μπαεσιανή Ενισχυτική Μάθηση προκειμένου να προτείνει ένα αντικείμενο ή ένα top-N σύνολο αντικειμένων, χωρίς την ανάγκη πρόβλεψης βαθμολογιών. Δεν χρησιμοποιούμε μία Collaborative Filtering ή Content-based ή Preference Elicitation τεχνική, όμως είμαστε ικανοί να παρέχουμε επιτυχημένες προτάσεις. Επιπλέον, αντιμετωπίσαμε το περίφημο πρόβλημα “cold-start” μέσω της χρήστης Μπαεσιανής εξερεύνησης και VPI. Τέλος, ο αλγόριθμός μας φαίνεται πως είναι ανταγωνίσιμος απέναντι σε μια νέα, εξελιγμένη μέθοδο, η οποία παρ’ όλα αυτά χρειάζεται ένα ελάχιστο σύνολο βαθμολογιών από διαφόρους χρήστες προκειμένου να παρέχει προτάσεις --- σε αντίθεση με τη δική μας εξατομικευμένη προσέγγιση.