[論文レビュー] A Personality-Guided Preference Aggregator for Ephemeral Group Recommendation

Guangze Ye, Wen Wu+4 more|arXiv (Cornell University)|Apr 18, 2023

Recommender Systems and Techniques被引用数 4

ひとこと要約

本稿では、一時的グループ推薦における個々の好みを統合するための人格誘導型好み集約手法PEGAを提案する。本手法は、ユーザーの人格的特徴を活用することで、好みの集約を改善し、データのスパarsity（疎らさ）を軽減する。グループの人格をハイパーレクタングルーとしてモデル化し、人格に特化したアテンション機構を用いることで、AmazonおよびYelpのデータセットにおいて最先端の手法を上回り、RecallおよびNDCGの面で顕著な向上を達成した。

ABSTRACT

Ephemeral group recommendation (EGR) aims to suggest items for a group of users who come together for the first time. Existing work typically consider individual preferences as the sole factor in aggregating group preferences. However, they neglect to take into account the importance of the individual inherent factors, such as personality, and thus fail to accurately simulate the group decision-making process. Additionally, these methods often struggle due to insufficient interactive records. To tackle these issues, a Personality-Guided Preference Aggregator (PEGA) is proposed, which guides the preference aggregation of group members based on their personalities, rather than relying solely on their preferences. Specifically, implicit personalities are first extracted from user reviews. Hyper-rectangles are then used to aggregate individual personalities to obtain the "Group Personality", which allows for the learning of personality distributions within the group. Subsequently, a personality attention mechanism is employed to aggregate group preferences, and a preference-based fine-tuning module is used to balance the weights of personality and preferences. The role of personality in this approach is twofold: (1) To estimate the importance of individual users in a group and provide explainability; (2) To alleviate the data sparsity issue encountered in ephemeral groups. Experimental results demonstrate that, on four real-world datasets, the PEGA model significantly outperforms related baseline models in terms of classification accuracy and interpretability. Moreover, empirical evidence supports the idea that personality plays a pivotal role in enhancing the performance of EGR tasks.

研究の動機と目的

• 相互作用が少なく、データのスパarsityが顕著な一時的グループにおける個々の好みの統合の課題に対処すること。
• グループ意思決定におけるユーザーの影響を推定する際の鍵要因として、個々の人格的特徴を統合すること。
• ハイパーレクタングルーによるグループレベルの人格をモデル化することで、推薦の精度と説明可能性を向上させること。
• ユーザーの相互作用履歴への依存度を低下させることで、スパarsityに弱くない安定した人格的特徴を活用すること。

提案手法

• ユーザーのレビュー本文から言語的特徴に基づき、LIWC語彙を用いて暗黙の人格的特徴を抽出する。
• グループの人格を人格空間上のハイパーレクタングルーとして定義し、グループ内の個々の人格の統合を表現する。
• ユーザーの人格的特徴に基づいて動的重みを割り当て、グループ意思決定におけるその影響を反映する人格アテンション機構を採用する。
• 最適化のための可学習ハイパラメータλを用いて、人格的要因と好みの寄与度をバランスさせる。
• 順序付けと人格に配慮した好み学習を統合したジョイント損失関数を用いて、エンド・ツー・エンドでモデルを訓練する。
• グループレベル意思決定を導くために、人格埋め込みを好みの集約モジュールに統合する。

実験結果

リサーチクエスチョン

• RQ1 人格的特徴を統合することで、相互作用が疎らな一時的グループにおける好みの集約はどの程度改善されるか？
• RQ2 人格に基づく重み付けは、グループ推薦の説明可能性と精度をどの程度向上させるか？
• RQ3 ハイパーレクタングルーに基づくグループ人格表現は、集団的人格を効果的にモデル化し、データのスパarsityを軽減できるか？
• RQ4 異なるグループサイズやランダムなグループ構成において、提案手法はどの程度頑健か？
• RQ5 一時的グループ内において、人格的要因と好みの要因の相対的な貢献度はどの程度か？

主な発見

• PEGAは、AmazonおよびYelpの両データセットにおいて、最先端の手法を顕著に上回り、RecallおよびNDCGスコアが向上した。
• 人格と好みの最適なバランスはλ = 0.3で達成され、グループ意思決定において人格的要因が好みの要因よりも強い影響を持つことが示唆された。
• 本モデルは、グループサイズが異なる場合にも強く、大規模グループ（≥12名）においても安定した性能を示し、他のモデルが劣化するのとは対照的であった。
• 事例研究により、開放性、外向性、協調性が高めのユーザーが、より高い影響力の重みを割り当てられていることが確認され、現実のグループダイナミクスと整合した。
• 人格に基づく重み付けは、特に個々の好みが多様なグループにおいて、好みのノイズを効果的に軽減した。
• 人格アテンション機構により、ユーザーの人格的特徴とグループ意思決定におけるその影響力の関係を視覚的にリンクでき、説明可能性が向上した。