[論文レビュー] A general graph-based framework for top-N recommendation using content, temporal and trust information

Armel Jacques Nzekon Nzeko’o, Maurice Tchuenté+1 more|arXiv (Cornell University)|May 6, 2019

Recommender Systems and Techniques参考文献 50被引用数 5

ひとこと要約

本稿では、パーソナライズド・ページランクを用いてコンテンツ、時系列、信頼情報を統合する一般化されたグラフベースのフレームワーク、GraFC2T2を提案する。EpinionsおよびCiaoのデータセットにおける実験により、複数のサイド情報タイプを組み合わせること、特に時系列重み付けを行うことで、単一情報ベースライン比で少なくとも41%の性能向上が達成された。

ABSTRACT

Recommending appropriate items to users is crucial in many e-commerce platforms that contain implicit data as users' browsing, purchasing and streaming history. One common approach consists in selecting the N most relevant items to each user, for a given N, which is called top-N recommendation. To do so, recommender systems rely on various kinds of information, like item and user features, past interest of users for items, browsing history and trust between users. However, they often use only one or two such pieces of information, which limits their performance. In this paper, we design and implement GraFC2T2, a general graph-based framework to easily combine and compare various kinds of side information for top-N recommendation. It encodes content-based features, temporal and trust information into a complex graph, and uses personalized PageRank on this graph to perform recommendation. We conduct experiments on Epinions and Ciao datasets, and compare obtained performances using F1-score, Hit ratio and MAP evaluation metrics, to systems based on matrix factorization and deep learning. This shows that our framework is convenient for such explorations, and that combining different kinds of information indeed improves recommendation in general.

研究の動機と目的

• コンテンツ、時系列的ダイナミクス、信頼性のうち1つまたは2つのタイプのサイド情報しか使用しない既存のトップNレコメンデーションシステムの制限を解決すること。
• 多様なサイド情報ソースを容易に統合・比較できる汎用的かつ拡張可能なフレームワークを設計すること。
• コンテンツ特徴、時系列的相互作用、信頼関係を統合した統一グラフを用いて、ユーザーの好みをモデル化することでレコメンデーション精度を向上させること。
• 複数のサイド情報タイプを統合すること、特に時系列重み付きエッジを用いることで、単一情報または非重み付きアプローチに比べて顕著な性能向上が得られることを実証すること。
• Eコマースおよびストリーミングプラットフォームのインプライドフィードバック設定において、行列分解やディープラーニングモデルの代替としてスケーラブルかつ柔軟なグラフベースの代替手段を確立すること。

提案手法

• ユーザー・アイテム相互作用、アイテムのコンテンツ特徴、ユーザーの信頼関係、時系列タイムスタンプを1つの統一グラフ構造に統合する非均質グラフを構築する。
• 最新性に基づいてエッジに時系列重みを付与する。より最近の相互作用は、概念の変化（concept drift）や進化するユーザーの関心を反映するために高い重みが与えられる。
• コンテンツベースの特徴を、アイテムをその特徴ノード（例：ジャンル、著者）に接続することで表現し、コンテンツ好みのグラフ内での伝搬を可能にする。
• 信頼関係を、信頼するユーザーから信頼される仲間への有向エッジを追加することでモデル化し、信頼できるソースからの影響伝搬を可能にする。
• 拡張されたグラフ上でパーソナライズド・ページランクを実行する。ランダムウォークはユーザー・ノードから開始され、アイテム、コンテンツ、信頼エッジを経由して関連性スコアを計算する。
• ページランクスコアに基づいてアイテムをランク付けし、各ユーザーに対して上位N件のアイテムをレコメンデーションとして出力する。

実験結果

リサーチクエスチョン

• RQ1 統一されたグラフベースのフレームワークは、コンテンツ、時系列、信頼情報を効果的に統合してトップNレコメンデーションを実現できるか？
• RQ2 時系列重み付きエッジを含めることで、非重み付きまたは非時系列モデルに比べてレコメンデーション性能がどのように向上するか？
• RQ3 統一グラフベースのレコメンデーションシステムにおいて、各サイド情報タイプ（コンテンツ、時系列、信頼性）の相対的寄与度は何か？
• RQ4 複数のサイド情報タイプを統合することは、常に1つまたは2つのタイプのみを用いるシステムを上回る性能を発揮するか？
• RQ5 提案されたGraFC2T2フレームワークは、最先端の行列分解および協調フィルタリング手法と比較して、性能で優れているか？

主な発見

• 2種類以上のサイド情報タイプ（例：コンテンツ＋時系列、信頼性＋時系列）を統合したグラフは、単一タイプのみを用いるものよりも一貫して優れた性能を示し、少なくとも41%の性能向上を達成した。
• 時系列重み付きグラフは、非重み付きの対応物よりも顕著に優れており、最新性に基づく概念の変化のモデル化が、正確なトップNレコメンデーションにとって不可欠であることを示している。
• 実験で最も高い性能を示した設定は、時系列重み付きエッジを用いてコンテンツ、時系列、信頼性情報を統合したものであり、EpinionsおよびCiaoの両データセットで最高のF1スコア、ヒット率、MAPを達成した。
• GraFC2T2フレームワークは、すべての評価指標で古典的なユーザベースおよびアイテムベースの協調フィルタリング、および行列分解ベースラインと同等または優れた性能を発揮した。
• 結果から、複数のサイド情報タイプを統合したグラフベースのモデルが、インプライドフィードバック設定においてディープラーニングや行列分解の代替として実用的かつ効果的であることが確認された。
• フレームワークの拡張性により、さまざまなサイド情報の組み合わせを容易に実験・比較でき、レコメンデーションシステム分野における研究開発の実用的ツールとしての利点がある。