[論文レビュー] A Flexible Recommendation System for Cable TV

Diogo Gonçalves, Miguel Costa+1 more|arXiv (Cornell University)|Sep 8, 2016

Recommender Systems and Techniques参考文献 24被引用数 7

ひとこと要約

本論文は、コンテキスト情報と暗黙的フィードバックを活用して、ライブ放送およびアーカイブ視聴（カチュー）サービスにおける精度、多様性、および偶然性の向上を図る、学習による順序付け（L2R）レコメンドシステムを提案する。ヨーロッパのケーブル事業者から得た大規模な実世界データセットを用いた評価において、本手法は、精度面で最先端のVODベースのアルゴリズムを上回り、NDCG@5が0.355を達成した。また、新規番組に対しても高い多様性と新規性を維持した。

ABSTRACT

Recommendation systems are being explored by Cable TV operators to improve user satisfaction with services, such as Live TV and Video on Demand (VOD) services. More recently, Catch-up TV has been introduced, allowing users to watch recent broadcast content whenever they want to. These services give users a large set of options from which they can choose from, creating an information overflow problem. Thus, recommendation systems arise as essential tools to solve this problem by helping users in their selection, which increases not only user satisfaction but also user engagement and content consumption. In this paper we present a learning to rank approach that uses contextual information and implicit feedback to improve recommendation systems for a Cable TV operator that provides Live and Catch-up TV services. We compare our approach with existing state-of-the-art algorithms and show that our approach is superior in accuracy, while maintaining high scores of diversity and serendipity.

研究の動機と目的

• ライブ放送、カチュー、VODサービスを含む、数千本の番組が利用可能なケーブルTVにおける情報過多問題に対処すること。
• ユーザー視聴時間の大部分を占めるライブ放送およびカチューTVにおけるレコメンド精度と多様性を向上させること。これは、VODと比較して研究がまだ不十分であるため。
• 暗黙的フィードバックとコンテキストデータを用いて、精度、多様性、新規性、偶然性のバランスを取った柔軟なレコメンドシステムの開発。
• 複数の目的最適化を用いて、ユーザーの好みやビジネス目標に応じた動的再順序付けを可能にすること。

提案手法

• 本システムは、暗黙的フィードバック（例：番組の50％以上視聴）と、時間帯、ジャンル、ユーザー行動パターンなどのコンテキスト特徴を用いて学習された学習による順序付けフレームワークを採用する。
• コンテキスト特徴は、事前に得られたユーザー行動の特徴化に基づいて導出され、単なる人気度やコンテンツベースのフィルタリングを超えたパーソナライゼーションを実現する。
• 精度、多様性（ILD）、偶然性（Seren）をバランスさせるカスタマイズ可能な目的関数を最適化するための、マルチオブジェクティブ再順序付け戦略を導入する。
• 複数の指標で高いパフォーマンスを維持しながら、目的関数を最大化するグリーディ再順序付けアルゴリズムを採用する。
• モデルは、ライブ放送およびカチューTVの視聴行動をカバーする、ヨーロッパのケーブルTV事業者から得た大規模な実世界データセットを用いて学習および評価される。
• リアルタイムでの視聴可能状態に合わせ、現在放送中または最近放送済みの番組のみを推薦するため、後処理によるフィルタリングを実施する。

実験結果

リサーチクエスチョン

• RQ1 暗黙的フィードバックとコンテキストデータを用いた学習による順序付けアプローチは、ライブ放送およびカチューTVにおいて、従来のVODベースのレコメンドアルゴリズムを上回ることができるか？
• RQ2 提案手法は、最先端の手法と比較して、精度、多様性、新規性、偶然性の観点でどの程度のパフォーマンスを示すか？
• RQ3 時間制約があり変化しやすいテレビ環境において、短時間視聴の記録（短時間視聴セッション）からの暗黙的フィードバックをどの程度活用してレコメンドを改善できるか？
• RQ4 柔軟な再順序付けメカニズムは、ユーザーの好みに応じて競合する目的（精度と多様性）を効果的にバランスできるか？

主な発見

• 学習による順序付け（L2R）アプローチは、ライブ放送においてNDCG@5が0.355、NDCG@10が0.302を達成し、協調フィルタリングやコンテンツベース手法を顕著に上回った。
• 新規番組（以前に視聴されたことがない）に対しては、L2RはNDCG@5が0.115、NDCG@10が0.081を記録し、冷間スタート問題にもかかわらず優れたパフォーマンスを示した。
• 視聴閾値を10分に緩和した場合、NDCG@5は0.296に、NDCG@10は0.250に上昇し、より長い視聴は強い好みのサインであることが示された。
• グリーディ再順序付け（GreedyRec）アルゴリズムは、多様性と新規性をバランスさせる目的関数スコア（上位5件で0.621）を最高に達成したが、精度は若干低下した。
• L2Rは高い多様性（ILD@5 = 0.683）と偶然性（Seren@5 = 0.870）を維持し、UserPopularおよびランダムベースラインを上回った。
• ライブ放送データを活用してカチューTVのレコメンドを改善したことで、NDCG@5が4%、NDCG@10が7%向上し、サービス間でのデータ転送性が確認された。