[論文レビュー] A Broad Learning Approach for Context-Aware Mobile Application Recommendation

Tingting Liang, Lifang He+4 more|arXiv (Cornell University)|Sep 11, 2017

Tensor decomposition and applications参考文献 15被引用数 5

ひとこと要約

本稿では、ユーザーの好み、アプリカテゴリ、マルチビュー特徴（例：権限、説明文）の間のフルオーダー相互作用をモデル化するため、タッカーtensor分解を用いた広範な学習アプローチCATAを提案する。この手法は、カテゴリ固有の表現を共同で学習し、グループℓ₁ノルム正則化を適用してビュー固有の特徴重要度を捉えることで、2つの実世界のデータセットにおいて最先端のベースラインを上回るレーティング予測性能を達成する。

ABSTRACT

With the rapid development of mobile apps, the availability of a large number of mobile apps in application stores brings challenge to locate appropriate apps for users. Providing accurate mobile app recommendation for users becomes an imperative task. Conventional approaches mainly focus on learning users' preferences and app features to predict the user-app ratings. However, most of them did not consider the interactions among the context information of apps. To address this issue, we propose a broad learning approach for extbf{C}ontext- extbf{A}ware app recommendation with extbf{T}ensor extbf{A}nalysis (CATA). Specifically, we utilize a tensor-based framework to effectively integrate user's preference, app category information and multi-view features to facilitate the performance of app rating prediction. The multidimensional structure is employed to capture the hidden relationships between multiple app categories with multi-view features. We develop an efficient factorization method which applies Tucker decomposition to learn the full-order interactions within multiple categories and features. Furthermore, we employ a group $\ell_{1}-$norm regularization to learn the group-wise feature importance of each view with respect to each app category. Experiments on two real-world mobile app datasets demonstrate the effectiveness of the proposed method.

研究の動機と目的

• ユーザーの好み、アプリカテゴリ、マルチビュー特徴の間の複雑な相互作用のモデル化が不十分であることが原因で、モバイルアプリ推薦が不正確になるという課題に対処すること。
• 特徴を個別に扱うか、第一階層の相互作用しか使用しない従来の手法の限界を克服すること。
• 複数のアプリカテゴリと特徴ビューの間で、第一階層、第二階層、第三階層のフルオーダー相互作用を捉える統一されたフレームワークを構築すること。
• tensorベースの因子分解を通じてカテゴリ固有の表現と特徴重要度を学習することで、レーティング予測の正確性を向上させること。
• グループℓ₁ノルム正則化を導入し、各アプリカテゴリごとに関連する特徴を特定・優先することで、モデルの解釈性と性能を向上させること。

提案手法

• ユーザー-アプリのレーティング予測を、ユーザー、アプリカテゴリ、マルチビュー特徴（例：権限、説明文）の間の相互作用を符号化するtensorの因子分解問題としてモデル化する。
• 低ランクのコアテンソルと因子行列を学習するためにタッカー分解を適用し、高次元tensorを明示的に構築せずにフルオーダー相互作用を効率的にモデル化する。
• 各アプリカテゴリごとの特徴ビューの重要性を表すグローバルなカテゴリ固有の重み行列Dを用い、グループℓ₁ノルム正則化により学習することで、スパarsityとビュー固有の関連性を促進する。
• 目的関数をtensor再構成誤差と正則化項の組み合わせとして定式化し、交互最小二乗法により最適化する。
• ユーザーの好み、アプリカテゴリ情報、マルチビュー特徴（例：テキスト、権限ベース）を統合されたtensor構造に統合し、潜在的な相関関係を捉える。
• Google Playデータを用いた実証的分析を通じて、アプリ推薦における複雑でカテゴリ依存の特徴相互作用のモデル化の必要性を裏付ける。

実験結果

リサーチクエスチョン

• RQ1 複数のアプリカテゴリとマルチビュー特徴間のフルオーダー相互作用は、モバイルアプリのレーティング予測の正確性にどのように影響するか？
• RQ2 タッカーtensor分解は、コンテキストに適応したアプリ推薦における複雑な高次相互作用をどれほど効果的にモデル化できるか？
• RQ3 グループℓ₁ノルム正則化は、カテゴリ固有の特徴重要度を特定することで、特徴選択とモデル性能をどの程度向上させるか？
• RQ4 第一階層、第二階層、第三階層の相互作用の各々が、最終的な推薦正確性に果たす相対的寄与度は何か？
• RQ5 特にβ（正則化強度）とα（学習率）のハイパーパrameter設定に対して、提案されたCATAモデルはどの程度頑健か？
• RQ6 冷スタートや低人気状況においても、モデルは多様なユーザー行動やアプリカテゴリに効果的に一般化できるか？

主な発見

• 提案されたCATAモデルは、2つの実世界のモバイルアプリデータセット（Google PlayとApple App Store）において、最先端のベースラインを顕著に上回るレーティング予測の正確性を達成する。
• フルオーダー相互作用（第三階層まで）の組み込みにより、予測性能に顕著な向上が見られ、特に第三階層相互作用が、一貫性のないまたは異常なアプリ特徴を検出する上で特に有用であることが判明した。
• 感度分析の結果、より大きなβ値（正則化強度）がより良い性能をもたらすことが示され、カテゴリとビュー間のフルオーダー相互作用が、低階層の項よりもより重要であることが裏付けられた。
• グループℓ₁ノルム正則化は、各アプリカテゴリごとに関連する特徴ビューを効果的に特定・優先し、モデルの解釈性を向上させるとともに、無関係な特徴からのノイズを低減した。
• 実証的分析により、ユーザーのダウンロード行動と特徴相関はアプリカテゴリによって顕著に異なることが確認され、カテゴリ固有のモデリングの必要性が裏付けられた。
• ベースライン手法と比較して、RMSEとMAEが低く抑えられ、特にtensor因子分解とグループ正則化の両方を適用した場合に最も高い性能が得られた。