[論文レビュー] A novel graph-based model for hybrid recommendations in cold-start scenarios

Cesare Bernardis, Maurizio Ferrari Dacrema+1 more|arXiv (Cornell University)|Aug 31, 2018

Recommender Systems and Techniques参考文献 3被引用数 4

ひとこと要約

本稿では、コラボラティブフィルタリングの確率を活用して、コールドスタートアイテムの最適な特徴量重みを学習する、グラフベースのハイブリッド推薦モデルを提案する。このモデルは、確率的勾配降下法を用いて特徴量重みの回帰問題として定式化することで、Movielens 20MおよびThe Movies Datasetで最先端の性能を達成し、コンテンツベース推薦の性能を顕著に向上させる。

ABSTRACT

Cold-start is a very common and still open problem in the Recommender Systems literature. Since cold start items do not have any interaction, collaborative algorithms are not applicable. One of the main strategies is to use pure or hybrid content-based approaches, which usually yield to lower recommendation quality than collaborative ones. Some techniques to optimize performance of this type of approaches have been studied in recent past. One of them is called feature weighting, which assigns to every feature a real value, called weight, that estimates its importance. Statistical techniques for feature weighting commonly used in Information Retrieval, like TF-IDF, have been adapted for Recommender Systems, but they often do not provide sufficient quality improvements. More recent approaches, FBSM and LFW, estimate weights by leveraging collaborative information via machine learning, in order to learn the importance of a feature based on other users opinions. This type of models have shown promising results compared to classic statistical analyzes cited previously. We propose a novel graph, feature-based machine learning model to face the cold-start item scenario, learning the relevance of features from probabilities of item-based collaborative filtering algorithms.

研究の動機と目的

• 新規アイテムに相互作用履歴が存在しないコールドスタート問題に対処すること。
• 協調情報を利用して特徴量重みを学習することで、コンテンツベース推薦の品質を向上させること。
• 確率的ランダムウォークを用いて協調的およびコンテンツベースの信号を統合するグラフベースのモデルを開発すること。
• 協調的確率から特徴量重みを学習することで、推薦精度が向上することを検証すること。
• 実世界のデータセットにおいて、提案モデルをコンテンツベースのベースラインおよび既存のグラフベース手法と比較すること。

提案手法

• モデルは、ユーザー、アイテム、特徴量をノードとし、関係を重み付きエッジとして持つ三部グラフを構築する。
• グラフ上で3ステップのランダムウォークを実行し、ユーザー-アイテム関係およびアイテム-特徴量関係から導出される部分行列の行列積を用いて、ユーザー-アイテム推薦確率を計算する。
• 協調的および重み付きコンテンツベースのパス間の残差平方和を最小化することで、確率的勾配降下法を用いて特徴量重みを学習する。
• 回帰のターゲット行列は、協調的3ステップウォーク（P^3）または信頼性を向上させる再順序付けバージョン（RP^3_β）から導出される。
• P'_{if} ⊙ P_{fi} によるアイテム-アイテム遷移確率の推定と、P_{iu} ⊙ P_{ui} との整合性をとることで、最適な特徴量重みを学習する。
• 最終的な推薦スコアは、URM' = P_{ui} ⊙ P_{if}' ⊙ P_{fi} で計算され、ここで P_{if}' は学習済みの特徴量重みを組み込んだものである。

実験結果

リサーチクエスチョン

• RQ1 協調フィルタリングの信号は、コールドスタート状況におけるコンテンツベース推薦の意味のある特徴量重みを学習するために効果的に利用可能か？
• RQ2 協調的確率から特徴量重みを学習することは、TF-IDFのような静的手法と比較して推薦精度を向上させるか？
• RQ3 ターゲット行列の選択（P^3 と RP^3_β）が、ハイブリッドモデルの性能にどのように影響するか？
• RQ4 協調的およびコンテンツベースのパスを統合するグラフベースのモデルは、純粋なコンテンツベースのベースラインを上回る性能を発揮できるか？
• RQ5 提案モデルは、メタデータの豊富さが異なるさまざまなデータセットに対して頑健であるか？

主な発見

• Movielens 20Mデータセットでは、提案モデルの HP^3_R がRecall@5で0.10919を達成し、CBF（0.10135）および CBF-IDF（0.10147）を上回った。
• Movielens 20Mでは、HP^3_R がMAP@5で0.22826を記録し、次に優れたベースラインである CBF-IDF（0.21813）を顕著に上回った。
• The Movies Datasetでは、HP^3_R がRecall@5で0.06776、MAP@5で0.11934を達成し、CBF（0.04850および0.08727）および CBF-IDF（0.05033および0.08988）を上回った。
• 再順序付けされたハイブリッドパス（HP^3_R）は、両方のデータセットにおいて非再順序付けハイブリッドおよびすべてのコンテンツベースベースラインを一貫して上回った。
• 非再順序付けハイブリッドパス（HP^3）は、Movielens 20MにおいてCBFより性能が低く、ターゲット行列の品質の重要性を示した。
• 結果は、協調的情報から特徴量重みを学習することで、コールドスタート状況におけるコンテンツベース推薦の性能が顕著に向上することを確認した。