[論文レビュー] A Hybrid Recommendation Method Based on Feature for Offline Book Personalization

Xixi Li, Jiahao Xing+4 more|arXiv (Cornell University)|Apr 26, 2018

Recommender Systems and Techniques参考文献 19被引用数 13

ひとこと要約

本稿は、図書のトピックと種別に関するユーザーの好みを捉えるために、トピックモデリング（LDA）とワード埋め込み（word2vec）を統合するハイブリッド推薦手法を、オフライン図書小売に適用して提案する。顧客の類似性とユーザ-図書相関を組み合わせることで、単一手法に比べてオフライン図書データ上での推薦精度が向上し、特徴ベースのパーソナライゼーションによって精度が向上することを示している。

ABSTRACT

Recommendation system has been widely used in different areas. Collaborative filtering focuses on rating, ignoring the features of items itself. In order to effectively evaluate customers preferences on books, taking into consideration of the characteristics of offline book retail, we use LDA model to calculate customers preference on book topics and use word2vec to calculate customers preference on book types. When forecasting rating on books, we take two factors into consideration: similarity of customers and correlation between customers and books. The experiment shows that our hybrid recommendation method based on features performances better than single recommendation method in offline book retail data.

研究の動機と目的

• レーティング以外のアイテム特徴を組み込むことで、オフライン図書小売における協調フィルタリングの限界を解消すること。
• LDAモデルを用いて図書のトピックに関するユーザーの好みをモデル化すること。
• 図書メタデータのword2vec埋め込みを用いて、図書の種別に関するユーザーの好みを捉えること。
• ハイブリッドフレームワークにおいて顧客の類似性とユーザ-図書相関を統合することで、推薦精度を向上させること。
• 実際のオフライン図書小売データを用いて提案手法を評価し、単一手法のベースラインと比較すること。

提案手法

• LDAを図書のテキストコンテンツに適用し、潜在的トピックを抽出し、図書のトピックに関するユーザーの好みをモデル化する。
• word2vecを用いて図書メタデータ（例：ジャンル、キーワード）を密なベクトル表現に埋め込み、図書の種別に関するユーザーの好みをモデル化する。
• 共通の好みを共有するトピックと種別に基づいて、類似するユーザーを特定するための顧客の類似性を計算する。
• ユーザーの好みプロファイルと図書の特徴ベクトル（トピックおよび種別）の類似度を測ることで、ユーザ-図書相関をモデル化する。
• 顧客の類似性とユーザ-図書相関を組み合わせたハイブリッドスコア関数を用いて、未観測の図書のレーティングを予測する。
• 最終的な推薦リストは、予測されたレーティングに基づき、協調フィルタリングとコンテンツベースの信号を統合して生成する。

実験結果

リサーチクエスチョン

• RQ1 トピックや種別といったアイテム特徴は、オフライン図書小売における推薦パフォーマンスをどのように向上させるか？
• RQ2 LDAを用いたトピックモデリングとword2vecを用いた種別埋め込みを組み合わせることで、ユーザーの好みモデリングはどの程度向上するか？
• RQ3 顧客の類似性とユーザ-図書相関の統合は、予測精度にどのように影響するか？
• RQ4 ハイブリッド手法は、純粋な協調フィルタリングやコンテンツベースの手法に比べ、オフライン図書データ上で優れているか？
• RQ5 ハイブリッド推薦フレームワークにおいて、トピックモデリングと種別埋め込みの相対的寄与度は何か？

主な発見

• ハイブリッド手法は、単一手法（例：純粋な協調フィルタリングやコンテンツベースのフィルタリング）に比べて、オフライン図書データ上でのユーザーのレーティング予測において顕著に優れている。
• LDAから得られるトピックを組み込むことで、単なるレーティングを超えた洗練されたユーザーの関心をモデルが捉える能力が向上する。
• word2vecに基づく種別埋め込みは、図書の種別の間の意味的関係を効果的に表現し、特徴レベルのパーソナライゼーションを強化する。
• 顧客の類似性とユーザ-図書相関の統合により、より正確でパーソナライズされた推薦が得られる。
• RMSEやMAEといった標準指標で測定したところ、提案手法はベースラインモデルに比べて高い推薦精度を達成している。
• 結果から、レーティングデータが希なオフライン図書小売環境において、特徴ベースのモデリングが効果的なパーソナライゼーションに不可欠であることが確認された。