TastePaths：在推荐系统中实现个人偏好的更深层探索与理解

文献标题

TastePaths: Enabling Deeper Exploration and Understanding of Personal Preferences in Recommender Systems

文献信息

• 主题领域: 推荐系统与用户个性化探索
• 关键词: 推荐系统, 音乐探索, 交互搜索, 可视化, 用户偏好
• 会议信息: IUI '22, March 22–25, 2022, Helsinki, Finland

研究背景与问题

背景

推荐系统在日常信息消费中发挥重要作用，但其传统的线性内容呈现方式容易让用户陷入“过滤气泡”，限制了用户探索新领域并加深对个人偏好的理解。特别是在音乐推荐背景下，这种局限性阻碍了用户深入发现自身兴趣。

问题与动机

1. 现有推荐系统过度聚焦短期消费满意度，而非帮助用户实现“自我实现”（self-actualization）。
2. 用户在探索不熟悉领域时难以使用推荐系统有效地学习和拓展自身兴趣。
3. 推荐系统缺乏交互工具来支持用户控制探索过程并了解推荐算法的工作方式。

研究问题

1. 个性化在音乐探索中的作用: 个性化数据如何帮助用户更深入探索与理解他们喜欢的音乐风格？
2. 探索策略优化: 如果去除推荐系统的线性约束，用户会采用哪些探索策略？如何更好地支持这些策略？
3. 学习用户偏好: 用户对音乐偏好的学习如何帮助他们在推荐环境中提升兴趣表达能力？

解决方案

方法与创新

1. TastePaths工具: 一个交互式Web工具，通过基于图的方式可视化音乐流派中的相关艺术家。
2. 设计目标:
   • D1：锚定艺术家: 以用户熟悉的艺术家为探索起点，支持个性化与非个性化两种版本。
   • D2：流派空间概览: 图结构分组提供音乐流派空间的总体视图，标记子流派代表性标签。
   • D3：深入探索: 快速呈现并方便深入研究具体艺术家的音乐信息。

实施步骤与关键技术

1. 生成音乐图谱: 使用音乐流服务的知识图数据，以三位锚定艺术家为中心构建由150个节点组成的强相关图。
2. 聚类与标签赋予: 运用Louvain算法进行图聚类，使用TF-IDF选择每个子集代表性流派标签。
3. 导航优化: 提供绿色路径高亮，从锚定艺术家到各子流派关键节点，为用户探索提供指南。

实验设计

1. 通过16名用户的对比实验详细研究个性化版与非个性化版TastePaths在音乐探索中的表现。
2. 使用问卷调查、操作日志和访谈收集数据，定量与定性结合评估用户在两种条件下的探索效果和偏好。

研究成果

实验发现

1. 个性化的优越性:

   • 发现个性化版TastePaths帮助用户更有效地找到与个人兴趣匹配的音乐。
   • 用户对个性化图谱的探索体验更满意，收集到的歌曲数量显著多于非个性化版本。

2. 探索策略:

   • 用户通过流派空间边界或子集交界处找到了最有意义的音乐发现。
   • 多种非线性探索策略（如从锚定艺术家开始或逐步遍历图的子集）被采用。

3. 用户想要更多控制:

   • 用户希望更动态地扩展或剪枝图结构，以突出个人兴趣相关部分。
   • 对个性化导航路径的需求，例如实时调整引导路径基于即时反馈。

4. 提升理解力模型:

   • TastePaths有助于用户认知推荐系统的音乐组织方式。
   • 用户在流派及其组成元素间形成更清晰的心理地图并学习了如何表达兴趣。

局限性与未来方向

1. 图结构的形状及密度可能影响用户探索行为，未来可研究其最佳配置。
2. 信息丰富性不足：需要增强子流派特点、历史及艺术家背景的展示。
3. 测试样本仅限对探索新音乐开放的用户，未来需扩展到更广泛的用户群体。

研究影响与启示

1. 提供创新交互方式，引导用户在推荐系统中“自我实现”，扩展兴趣边界。
2. 增强用户控制权与反馈表达机制，可改进推荐系统算法及用户满意度。
3. 支持负责的推荐设计原则，如引入探索闭环让用户明确探索成果与目标完成感。

总结

TastePaths项目不仅提升了用户对音乐兴趣的理解，还展示了交互式推荐系统在自我发现和兴趣探索中的潜力。这为未来设计更主动、更以用户为中心的推荐工具提供了重要方向。