[論文レビュー] A Content-Driven Micro-Video Recommendation Dataset at Scale

Yongxin Ni, Yu Cheng+6 more|arXiv (Cornell University)|Sep 27, 2023

Recommender Systems and TechniquesComputer Science被引用数 3

ひとこと要約

本稿では、10億件のユーザ・アイテム相互作用、3400万件のユーザ、100万本の動画（テキスト、画像、音声、動画の生モダリティを含む）を備えた、公開済みで最大規模のマイクロ動画推薦データセット「MicroLens」を紹介する。このデータセットは、推薦のための動画表現のエンドツーエンド学習を可能にし、IDベースのモデルを上回る性能を示しており、特にコールドスタートおよび人気アイテム設定において、生動画特徴量がアイテムIDを効果的に置き換える可能性を示している。

ABSTRACT

Micro-videos have recently gained immense popularity, sparking critical research in micro-video recommendation with significant implications for the entertainment, advertising, and e-commerce industries. However, the lack of large-scale public micro-video datasets poses a major challenge for developing effective recommender systems. To address this challenge, we introduce a very large micro-video recommendation dataset, named "MicroLens", consisting of one billion user-item interaction behaviors, 34 million users, and one million micro-videos. This dataset also contains various raw modality information about videos, including titles, cover images, audio, and full-length videos. MicroLens serves as a benchmark for content-driven micro-video recommendation, enabling researchers to utilize various modalities of video information for recommendation, rather than relying solely on item IDs or off-the-shelf video features extracted from a pre-trained network. Our benchmarking of multiple recommender models and video encoders on MicroLens has yielded valuable insights into the performance of micro-video recommendation. We believe that this dataset will not only benefit the recommender system community but also promote the development of the video understanding field. Our datasets and code are available at https://github.com/westlake-repl/MicroLens.

研究の動機と目的

• 推薦研究のための、大規模で多様性に富み、高品質な公開マイクロ動画データセットの不足に対処すること。
• コンテンツ駆動型推薦モデルを支援するため、豊富な生動画モダリティ（テキスト、画像、音声、フル動画）を備えたベンチマークデータセットを提供すること。
• 動画エンコーダーと推薦モデルを統合的に最適化するエンドツーエンド学習を可能にする、推薦システムの訓練を可能にすること。
• 現在の動画理解と動画推薦の間の性能ギャップを調査し、動画表現が推薦精度の向上にどのように寄与するかを検討すること。
• 視覚ベースの推薦のための事前学習リソースを提供することで、汎用的で基盤的（フォーデーション型）の推薦モデルの開発を促進すること。

提案手法

• ホーム画面のリフレッシュを活用して、ソーシャルエンターテインメントプラットフォームから40万本のシードマイクロ動画を収集し、多様性を確保した。
• エンゲージメント（10,000件以上のいいねまたは100件以上のコメント）を基準にフィルタリングすることで、品質と人気を保証した。
• 各動画に対して、動画タイトル（テキスト）、カバーアイテム、音声クリップ、および生動画ファイルの全モダリティを取得した。
• 動画ページから外部リンクをクロールすることで、コンテンツの多様性を拡張した。
• コメント行動をユーザの好みの代理指標として用い、最終的に100万本の動画と10億件のユーザ・アイテム相互作用を含むデータセットを構築した。
• 10種類以上の推薦モデルおよび動画エンコーダーをベンチマーク化し、動画エンコーダーと推薦ヘッドを同時に最適化する新規のエンドツーエンド（E2E）訓練設定を含めた。

実験結果

リサーチクエスチョン

• RQ1 事前抽出された特徴量を使用する場合と比較して、動画エンコーダーと推薦モデルのエンドツーエンド訓練が、より優れた推薦性能を達成できるか？
• RQ2 生動画特徴量を用いた推薦精度は、カバーアイテムのみまたはアイテムIDのみを用いた場合と比べてどのように異なるか？
• RQ3 極めて人気のあるアイテム設定においても、動画ベースの推薦モデルがIDベースのモデルを上回れるか？
• RQ4 従来のIDベースまたは画像ベースのモデルと比較して、生動画表現がコールドスタートアイテムの性能向上にどの程度寄与するか？
• RQ5 MicroLensが、動画理解および推薦分野におけるフォーデーションモデルの事前学習データセットとして持つ可能性は何か？

主な発見

• 生動画から直接表現を学習するVideoRecモデルは、すべての評価指標においてIDRecやImageRecベースラインを一貫して上回った。
• 動画エンコーダーと推薦モデルのエンドツーエンド訓練は、最先端の性能を達成しており、共同最適化の価値を示している。
• VideoRecはウォームアイテム設定においてもIDRecを上回った。これは、実用的な推薦システムにおいて、生動画特徴量がアイテムIDを効果的に置き換えられることを示している。
• コールドアイテムにおいてもVideoRecは顕著な性能向上を示し、特にコールドスタートシナリオ（付録の図6参照）でより大きな向上が観察された。
• カバーアイテムのみ（ImageRec）を用いた場合の性能は、フル動画特徴量（VideoRec）を用いた場合より低かった。これは、動画理解において時間的・運動的情報の重要性を示している。
• MicroLensは、トランプル・トランプルのユーザ・動画相互作用をフレームレベルのサンプリングによって生成可能な十分な規模と多様性を備えており、フォーデーションモデルの事前学習を可能にする。