[論文レビュー] A Deep Framework for Cross-Domain and Cross-System Recommendations

Feng Zhu, Yan Wang+4 more|arXiv (Cornell University)|Sep 14, 2020

Recommender Systems and Techniques被引用数 11

ひとこと要約

本稿では、行列分解と全結合型深層ニューラルネットワーク（DNN）を組み合わせた深層学習フレームワークであるDCDCSRを提案する。このフレームワークは、異なるドメインやシステム間でのユーザおよびアイテムの潜在要因の有効なマッピングを学習することで、クロスドメインおよびクロスシステム推薦の精度を向上させる。DNNの学習に、ユーザおよびアイテム固有のレーティングのスパarsity度を組み込むことで、3つの実世界のデータセットにおいて最先端の手法を上回る性能を達成した。

ABSTRACT

Cross-Domain Recommendation (CDR) and Cross-System Recommendations (CSR) are two of the promising solutions to address the long-standing data sparsity problem in recommender systems. They leverage the relatively richer information, e.g., ratings, from the source domain or system to improve the recommendation accuracy in the target domain or system. Therefore, finding an accurate mapping of the latent factors across domains or systems is crucial to enhancing recommendation accuracy. However, this is a very challenging task because of the complex relationships between the latent factors of the source and target domains or systems. To this end, in this paper, we propose a Deep framework for both Cross-Domain and Cross-System Recommendations, called DCDCSR, based on Matrix Factorization (MF) models and a fully connected Deep Neural Network (DNN). Specifically, DCDCSR first employs the MF models to generate user and item latent factors and then employs the DNN to map the latent factors across domains or systems. More importantly, we take into account the rating sparsity degrees of individual users and items in different domains or systems and use them to guide the DNN training process for utilizing the rating data more effectively. Extensive experiments conducted on three real-world datasets demonstrate that DCDCSR framework outperforms the state-of-the-art CDR and CSR approaches in terms of recommendation accuracy.

研究の動機と目的

• ソースドメインやシステムからのより豊富な情報を活用することで、推薦システムにおける継続的なデータのスパarsity問題を緩和すること。
• 効果的なクロスドメインおよびクロスシステム知識移譲により、低データのターゲットドメインやシステムにおける推薦精度を向上させること。
• 異なるドメインやシステム間の潜在要因間の複雑な関係をモデル化する統合された深層学習フレームワークの開発。
• 個々のユーザおよびアイテムのレーティングスパarsity度を組み込むことで、スパースなレーティングデータのより効果的な利用を可能にするDNN学習の強化。

提案手法

• まず、フレームワークはソースおよびターゲットドメインやシステムにおけるユーザおよびアイテムの潜在要因を学習するために行列分解（MF）を適用する。
• 次に、ソースドメインやシステムの潜在要因とターゲットドメインやシステムの潜在要因の間の非線形マッピングを学習するために、全結合型深層ニューラルネットワーク（DNN）が用いられる。
• DNNの学習プロセスは、個々のユーザおよびアイテムのレーティングスパarsity度によってガイドされ、一般化性能およびデータ効率の向上に役立つ補助信号として使用される。
• MFおよびDNNのコンポonentを同時に最適化することで、ドメインやシステム間で一貫性があり正確な潜在要因表現を保証する。
• DNN学習中にスパarsityに配慮した損失重み付けが施され、データ量が多いユーザおよびアイテムからの学習を優先する。
• 観測済みレーティングの予測誤差を最小化するために、確率的勾配降下法を用いてエンドツーエンドでフレームワークを訓練する。

実験結果

リサーチクエスチョン

• RQ1 低データ環境における推薦精度を向上させるために、ドメインやシステム間の潜在要因マッピングをどのように効果的に学習できるか。
• RQ2 ユーザおよびアイテムレベルのレーティングスパarsity度を統合することで、クロスドメインおよびクロスシステム推薦モデルの性能がどの程度向上するか。
• RQ3 統合された深層学習フレームワークは、クロスドメインおよびクロスシステム推薦タスクにおいて、既存の最先端手法を上回ることができるか。
• RQ4 異なるドメインやシステムにおける変動するデータスパarsityレベルに対して、提案されたフレームワークはどの程度頑健か。

主な発見

• DCDCSRは、3つの実世界のデータセットにおいて、最先端のCDRおよびCSR手法を上回る優れた推薦精度を達成した。
• DNN学習におけるスパarsityに配慮したガイダンスの統合は、特に低データ環境においてモデル性能の顕著な向上をもたらした。
• モデルは、ソースとターゲットのデータ分布が異なる場合でも、多様なドメインやシステムにわたって優れた一般化性能を示した。
• アブレーションスタディの結果、DNNベースのマッピングとスパarsityに配慮したトレーニング戦略の両方が、性能向上に有意に寄与していることが確認された。
• RMSEおよびMAEを含む複数の評価指標において、すべてのテストデータセットで高い性能を維持した。
• 結果から、ユーザおよびアイテム固有のスパarsityをモデル化することで、豊富なデータからスパースなドメインへの知識移譲の能力が向上することが示された。