[論文レビュー] A Fast Recommendation Algorithm for Social Tagging Systems : A Delicious Case

Yaodong Zhao, Shi‐Min Cai+2 more|arXiv (Cornell University)|Dec 28, 2015

Recommender Systems and Techniques参考文献 35被引用数 6

ひとこと要約

本稿では、ソーシャルタグ付けシステムにおけるユーザベースの協調フィルタリングの処理を高速化するため、非重複ユーザクラスタと重複アイテムクラスタを同時に抽出するK-meansに類似した手法を用いた、高速協調ユーザモデル（FCUM）を提案する。本手法は、Deliciousデータセット上で従来のユーザベース協調フィルタリングと比較して、処理時間を90%以上短縮しながらも、推薦精度を維持または向上させる。

ABSTRACT

The tripartite graph is one of the commonest topological structures in social tagging systems such as Delicious, which has three types of nodes (i.e., users, URLs and tags). Traditional recommender systems developed based on collaborative filtering for the social tagging systems bring very high demands on CPU time cost. In this paper, to overcome this drawback, we propose a novel approach that extracts non-overlapping user clusters and corresponding overlapping item clusters simultaneously through coarse clustering to accelerate the user-based collaborative filtering and develop a fast recommendation algorithm for the social tagging systems. The experimental results show that the proposed approach is able to dramatically reduce the processing time cost greater than $90\%$ and relatively enhance the accuracy in comparison with the ordinary user-based collaborative filtering algorithm.

研究の動機と目的

• Deliciousのような大規模なソーシャルタグ付けシステムにおける高い計算コストとタイムリー性の課題に対処する。
• ユーザとアイテムのクラスタリングを活用することで、ユーザベース協調フィルタリングにおけるデータスパarsityとコールドスタート問題を克服する。
• 処理時間を著しく短縮しながらも高い精度を維持するスケーラブルな推薦アルゴリズムを開発する。
• 協調フィルタリング処理の高速化により、動的でデータ集約的な環境でもリアルタイムの推薦を可能にする。

提案手法

• ユーザ、URL、タグの三部グラフから、非重複ユーザクラスタとそれに対応する重複アイテムクラスタを同時に抽出するK-meansに類似したクラスタリングアルゴリズムを適用する。
• 全データセット全体ではなく、各ユーザクラスタ内でユーザベース協調フィルタリングを実行する高速協調ユーザモデル（FCUM）を構築する。
• 低活動ノードをフィルタリングしノイズを低減するため、次数のしきい値を用いることで、モデルのロバスト性と効率性を向上させる。
• 各クラスタ内でのユーザ行動に基づいてアイテムスコアを計算し、各クラスタごとに順位付けされた推薦リストを生成する。
• クラスタサイズとイテレーションパラメータを変更して感度を評価し、パフォーマンス最適化を図る。
• 標準指標（精度、再現率、F1スコア）と処理コストを、さまざまなランクリスト長さとクラスタ構成で評価する。

実験結果

リサーチクエスチョン

• RQ1 ユーザとアイテムを同時にクラスタリングすることで、精度を損なわせることなく、ソーシャルタグ付けシステムにおけるユーザベース協調フィルタリングを高速化できるか？
• RQ2 1クラスタあたりのユーザ数がFCUMの処理時間パフォーマンスと推薦精度に与える影響は何か？
• RQ3 次数のしきい値が、スパースなソーシャルタグ付けデータにおけるモデルのパフォーマンスとロバスト性に与える影響は何か？
• RQ4 従来のユーザベース協調フィルタリングと比較して、本手法が処理時間をどの程度短縮できるか？

主な発見

• FCUMは、従来のユーザベース協調フィルタリングと比較して、処理時間を90%以上短縮し、処理時間パフォーマンスを顕著に向上させる。
• ランクリスト長さが3から19の範囲では、FCUMは標準的なUCFよりも高いF1スコアと再現率を達成しており、この範囲で精度が向上していることが示された。
• 最適なF1スコアはランクリスト長さ3で達成され、再現率が向上し、同時に精度は許容範囲内を維持している。
• 1クラスタあたりの平均ユーザ数（40から100）の変化がパフォーマンスに与える影響は小さく、クラスタサイズの変動に対してもモデルがロバストであることが示された。
• 次数のしきい値を6から10に引き上げることで、推薦指標が向上するが、低活動ユーザを除外するため、コールドスタート問題が悪化する可能性がある。