Hyperbolic Disentangled Graph Information Bottleneck with Bi-Directional Neuro-Symbolic Co-Regularization for Sparse Multi-Criteria Recommendation
本文提出了 HyperAspect-GIB，这是一个集成黎曼几何、信息论和神经符号共正则化的新型端到端框架，旨在克服多准则推荐系统中的基本局限性，包括欧几里得失真、MNAR 选择偏差以及大语言模型（LLM）幻觉，从而显著提高推荐准确性、维度估计能力和解释保真度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，试图组织一个图书馆，其中每一本书都与其他数千本书相连，不仅是通过流派，还通过复杂的品味、价格、氛围和服务交织在一起。这就是现代推荐系统——那些向你推荐餐厅、电影或产品的数字引擎——每天面临的现实。多年来，这些系统一直依赖于一种数学方法，将所有这些连接视为铺设在平坦纸张上的平面。但人类的偏好很少是平面的；它是深度分层的，像家族树或河流三角洲一样向外分支，从广泛的类别中萌发出无数具体的选择。当研究人员试图将这些复杂的、树状的结构强行挤压到平面上时，地图就会发生扭曲，丢失那些让推荐真正有用的细节。此外，人们很少对体验的每一个方面都进行评分；他们通常只在极其开心或极其愤怒时才会写评论，这使得系统只能得到一个带有偏差且不完整的现实图景。
一位研究人员现在提出了一种构建这些推荐系统的新方法，该方法尊重人类选择的真实形状。他没有将数据强行映射到平面上，而是将其映射到一个双曲空间（hyperbolic space）——一种随着向外移动而自然扩张的数学景观——这完美契合了树状结构的生长方式。他将这种几何转变与一种过滤掉评论中闲聊噪声的方法，以及一种确保系统的书面解释与其实际计算相匹配的方法结合在一起。通过在来自世界各地的海量餐厅评论数据集上测试其方法，他发现这种新方法不仅能更准确地预测人们会喜欢什么，还能解释其中的原因，且不会凭空捏造。
问题的核心在于计算机如何理解项目之间的关系。在平坦的欧几里得空间中，两点之间的距离增长缓慢且可预测。然而，在餐饮世界中，随着从“意大利菜”等通用类别转向“黑松露烩饭”等具体菜肴，选项的数量呈指数级增长。试图将这种指数级增长强行放入平坦空间，会迫使计算机将遥远的项挤压在一起，模糊了安静小酒馆与嘈杂连锁店之间的界限。研究人员在数学上证明了这种扭曲在平坦空间中是不可避免的。为了解决这个问题，他将整个系统移入了一个双曲流形（hyperbolic manifold），这是一种快速扩张的弯曲几何体，允许每个项目都有其独特的地位而不至于拥挤其邻居。这类似于世界地图在平纸上的呈现方式与在地球仪上的差异：平面的地图会扭曲靠近极点国家的大小，而地球仪则保留了它们的真实关系。
除了地图的形状之外，研究人员还解决了信息缺失的问题。在现实生活中，人们很少对用餐的每一个方面都进行评分。一位食客可能会对食物赞不绝口，却忘了提到服务，反之亦然。通常，这些缺失的评分并非随机产生的；它们之所以缺失，是因为体验要么太好，要么太坏，以至于人们觉得有必要写下评论，从而忽略了中间地带。如果计算机系统忽略这一模式，它就会学习到一个有偏差的版本，假设它看到的少量评分代表了全部真相。新系统包含一个特殊的机制，能够识别这种偏差。它根据上下文计算评分缺失的可能性，并进行数学修正，确保系统是从全貌中学习，而非仅仅从极端情况中学习。
另一个显著的障碍是书面评论中的噪声。人们经常在反馈中加入闲聊、表情符号和与食物或服务质量无关的故事。以前的系统往往会被这种噪声干扰，让无关的词汇遮蔽了判断。新方法使用了一种过滤技术，就像一个筛子，将信号与噪声分离。它保留了能够预测评分的具体词汇，如“酥脆”或“周到”，同时丢弃高熵的对话填充物。这使得系统能够专注于真正重要的内容，从而实现更敏锐、更准确的预测。
这项工作最创新的部分或许在于它如何处理系统给出的解释。在许多现代系统中，推荐是由计算系统的某一部分做出的，随后再要求一个独立的语言模型去写出理由。这经常导致“幻觉”现象，即语言模型因为在猜测，所以即便数据表明该餐厅隔音效果差，它也会称赞餐厅环境幽静。研究人员在数学计算与语言生成之间建立了一座桥梁。他训练系统，使语言模型受到其刚刚计算出的数学得分的严格引导。这确保了如果系统因为食物出色但服务欠佳而推荐一家餐厅，书面解释将诚实地反映这种权衡，而不是为了让评论听起来更好而捏造一个正面属性。
为了测试这些想法，研究人员在两个包含数万名用户和数千家餐厅的庞大国际数据集，以及一个规模较小、数据稀疏的越南餐厅数据集上进行了广泛实验。他将新系统与现有的最佳方法进行了对比，包括使用平坦几何的方法以及依赖标准语言模型的方法。结果显而易见：新系统始终优于其他方法。它能更准确地预测用户会给予高分的项目，而且至关重要的是，它在解释方面具有更高的忠实度。在大型数据集中，它显著提高了顶级推荐的准确性；而在较小的稀疏数据集中，它证明了其几何方法对于处理复杂结构是必不可少的，同时也展示了简单方法在处理极小目录时可能依然有效。
这项研究还揭示了以往系统失败的深层原因。通过可视化数据，研究人员展示了旧系统倾向于将几乎所有的项目压缩在一个狭窄、拥挤的中心，导致无法区分它们。相比之下，他的新系统将项目分布在弯曲的空间中，保留了每家餐厅的独特身份。他们还证明了，当移除针对缺失数据的数学修正或噪声过滤功能时，系统的性能会下降，从而证明了每个组件都是必要的。最重要的是，他们展示了当在测试场景中改变单个评分时，系统会做出逻辑响应——如果服务评分下降，餐厅的排名就会降低，而旧系统对此类变化视而不见。
这项工作代表了一种转变，即不再仅仅是对现有算法进行微调，而是重新思考我们建模人类选择的基础几何学。它表明，要真正理解复杂的偏好，我们不能再将其视为平坦的列表，而必须将其映射到能够自然容纳其复杂性的形状之上。通过将先进的几何学与对偏差和噪声的细致关注相结合，并将计算与语言紧密联系，研究人员构建了一个不仅更准确，而且更诚实的系统。它为推荐引擎提供了一条路径，使其能够在错综复杂、分支众多的人类品味路径中航行，而不至于迷失方向或凭空捏造。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。