胡亮教授相关成果介绍⑤：长尾推荐质量提升：同时建模“可信度”和“个性特征” Improving the Quality of Recommendations for Users and Items i

作者简介

胡亮，同济大学计算机科学与技术学院教授、博导，毕业于上海交通大学与悉尼科技大学，研究方向涵盖人工智能、推荐系统、机器学习与数据科学，入选上海海外高层次人才，获国家自然科学基金优秀青年科学基金项目（海外）支持。

一、研究背景

推荐系统中的用户和物品通常呈现明显的长尾分布：少数热门对象占据大部分交互数据，而大量长尾对象只拥有极少反馈。如果模型主要从热门物品中学习偏好，就会形成显著的流行度偏差。与此同时，长尾用户和长尾物品又更容易遭遇冷启动、数据稀疏以及刷分攻击。论文指出，真正高价值的推荐改进，往往并不发生在热门项目上，而是体现在长尾部分的发现能力和可靠性上。

二、论文信息

三、核心发现

 图示：论文原文中的 RMRM 互正则化过程示意（Figure 2）

四、研究内容解读

1. 这项研究要回答什么问题？

这项研究要解决的，不只是“长尾样本少”，而是长尾推荐同时面临三类挑战：流行度偏差、冷启动以及刷分攻击。如果只强调长尾选择的重要性，模型可能更容易受到低质量数据影响；如果只强调可信度，又可能削弱长尾选择所包含的独特兴趣信号。

2. 研究团队发现了什么？

基于这一判断，作者将问题拆成两个目标。S-HMF 通过异方差建模，让更深长尾中的选择获得更高权重，从而强化“这些选择更能代表用户真实口味”的假设；C-HMF 则根据评论帮助度、用户声誉和信任关系等信息评估反馈质量，使模型更关注可信数据。

3. 他们是如何证明的？

更关键的是，论文没有把这两个目标彼此割裂，而是让 C-HMF 学到的参数作为 S-HMF 的经验先验，反过来 S-HMF 学到的个性化表示又作为 C-HMF 的先验。这种 recurrent mutual regularization 使得模型在少量数据下也能兼顾“可信度”和“个性特征”，并进一步通过高声誉专家的先验组合缓解冷启动问题。

五、关键机制与功能验证

实验部分从长尾用户、长尾物品、刷分攻击以及隐式反馈等多个角度验证了模型。结果显示，RMRM 在深尾区间的推荐性能优于传统 MF 与多种信任感知推荐方法，而且在遭遇刷分攻击时能保持更稳定的表现。也就是说，这篇论文并不是简单提高总体均值，而是把提升真正落在了最难、也最有业务价值的长尾区域。

六、总结与意义

这项工作的意义在于，它把长尾推荐问题提升为一个多目标学习问题：既要识别哪些交互更可信，也要识别哪些选择更能代表个体特性。这种思路为后续的稳健推荐、反作弊推荐以及长尾价值挖掘提供了很有代表性的建模框架。

DOI：10.1145/3052769

已收藏 0

点赞 0