[論文レビュー] A Comparative Study of Matrix Factorization and Random Walk with Restart in Recommender Systems

Haekyu Park, Jinhong Jung+1 more|arXiv (Cornell University)|Aug 30, 2017

Recommender Systems and Techniques参考文献 25被引用数 3

ひとこと要約

この論文は、推薦システムにおける行列分解（MF）とリセット付きランダムウォーク（RWR）を比較し、MFのバイアスモデリングを模倣するためのグローバルバイアス項を備えた新規RWR変種を提案する。実験の結果、明示的フィードバックではMFがRWRを上回り、暗黙的フィードバックではRWRが優れる。バイアス項は両手法を改善するが、補助情報は暗黙的データでは性能を低下させる。

ABSTRACT

Between matrix factorization or Random Walk with Restart (RWR), which method works better for recommender systems? Which method handles explicit or implicit feedback data better? Does additional information help recommendation? Recommender systems play an important role in many e-commerce services such as Amazon and Netflix to recommend new items to a user. Among various recommendation strategies, collaborative filtering has shown good performance by using rating patterns of users. Matrix factorization and random walk with restart are the most representative collaborative filtering methods. However, it is still unclear which method provides better recommendation performance despite their extensive utility. In this paper, we provide a comparative study of matrix factorization and RWR in recommender systems. We exactly formulate each correspondence of the two methods according to various tasks in recommendation. Especially, we newly devise an RWR method using global bias term which corresponds to a matrix factorization method using biases. We describe details of the two methods in various aspects of recommendation quality such as how those methods handle cold-start problem which typically happens in collaborative filtering. We extensively perform experiments over real-world datasets to evaluate the performance of each method in terms of various measures. We observe that matrix factorization performs better with explicit feedback ratings while RWR is better with implicit ones. We also observe that exploiting global popularities of items is advantageous in the performance and that side information produces positive synergy with explicit feedback but gives negative effects with implicit one.

研究の動機と目的

• 推薦システムにおける協調フィルタリングにおいて、行列分解（MF）とリセット付きランダムウォーク（RWR）を体系的に比較すること。
• 各手法が明示的フィードバックと暗黙的フィードバックの設定下でどのように性能を発揮するかを調査すること。
• グローバルバイアス項と補助情報が、両手法の推薦品質に与える影響を評価すること。
• MFのバイアスモデリングを模倣できるようにグローバルバイアス項を組み込んだ新規RWR変種を開発すること。
• 異なる推薦シナリオとデータタイプ下でのMFとRWRの強みと限界についての知見を提供すること。

提案手法

• MFにおけるバイアスモデリングに類似するように、アイテムの人気度とユーザーの一般的な傾向をモデル化するグローバルバイアス項を組み込んだ新規RWRベースの手法を提案する。
• RWRがリスタート確率を用いたランダムサーファーのシミュレーションにより、個別化されたノード間の近接度を計算するため、ユーザー・アイテムの二部グラフを相互作用のモデルとして用いる。
• 行列分解を用いて、グローバルバイアス項を含む低ランクのユーザー要因とアイテム要因にユーザー・アイテム評価行列を分解する。
• ユーザーの属性やアイテムのカテゴリなどの補助情報を、特徴ベースの埋め込みまたはグラフ拡張を用いてMFおよびRWRモデルに統合する。
• Movielens、FilmTrust、Epinions、Lastfmの複数の実世界データセットを用い、スピアマンのrho、precision@k、RMSEといった標準的な評価指標を用いる。
• 明示的フィードバックと暗黙的フィードバックの両設定下で、バイアス項と補助情報の影響を隔離するためのアブレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 明示的フィードバックデータにおいて、行列分解とリセット付きランダムウォークのどちらの手法が優れているか？
• RQ2 暗黙的フィードバックデータにおいて、どちらの手法が優れているか？
• RQ3 グローバルバイアス項はMFおよびRWRの両方の推薦性能を向上させるか？
• RQ4 補助情報は、明示的フィードバックと暗黙的フィードバックの両設定下で、MFおよびRWRの推薦性能にどのように影響を与えるか？
• RQ5 MFとRWRがフィードバックタイプごとに異なる性能を示す背後にある理由は何か？

主な発見

• 明示的フィードバックデータセットにおいて、MFはRWRを上回り、Movielens、FilmTrust、Epinionsの全データセットでprecision@1、precision@2、precision@3、スピアマンのrhoがより高い結果を達成した。
• 暗黙的フィードバックデータにおいて、RWRはMFを上回り、LastfmではRWR_Sideがスピアマンのrho 0.440を達成したのに対し、MF_Sideは0.207にとどまった。
• グローバルバイアス項はMFおよびRWRの両方の推薦性能を顕著に向上させ、グローバル順位付けとトップ-k予測精度の両方を改善した。
• 補助情報はMFの明示的フィードバック設定では性能を向上させた（例：MovielensではMF_SideがMFを上回ったが）、RWRの暗黙的フィードバック設定では性能を低下させた（例：LastfmではRWR_SideがRWRを下回った）。
• 性能の差は、暗黙的フィードバックがノイズが多いことと、補助情報がそのノイズを増幅させるためであり、明示的フィードバックは補助情報統合に対してより耐性があるためである。
• グローバルバイアス項を備えた提案手法（RWR_Bias）は、標準的なRWRを上回った。これは、グラフベース手法においてもバイアスモデリングが有益であることを示している。