[論文レビュー] A Random Walk Based Model Incorporating Social Information for Recommendations

Shang Shang, Sanjeev R. Kulkarni+2 more|arXiv (Cornell University)|Aug 3, 2012

Recommender Systems and Techniques参考文献 4被引用数 18

ひとこと要約

本稿では、ユーザーの評価、アイテムのコンテンツ、ユーザーのプロフィール、ソーシャルネットワーク情報を統合した統一されたグラフ構造に、ランダムウォークベースのハイブリッド協調フィルタリングモデルを提案する。このモデルは、特にコールドスタートユーザーに対して推薦精度を向上させる。評価スコアに基づいてエッジ重みを割り当て、信頼関係を活用することで、最先端の手法と比較してコールドスタートシナリオにおける優れた性能を達成する。

ABSTRACT

Collaborative filtering (CF) is one of the most popular approaches to build a recommendation system. In this paper, we propose a hybrid collaborative filtering model based on a Makovian random walk to address the data sparsity and cold start problems in recommendation systems. More precisely, we construct a directed graph whose nodes consist of items and users, together with item content, user profile and social network information. We incorporate user's ratings into edge settings in the graph model. The model provides personalized recommendations and predictions to individuals and groups. The proposed algorithms are evaluated on MovieLens and Epinions datasets. Experimental results show that the proposed methods perform well compared with other graph-based methods, especially in the cold start case.

研究の動機と目的

• ソーシャル情報およびユーザーのプロフィール情報を統合することで、推薦システムにおけるデータスパarsity問題とコールドスタート問題を解決すること。
• ユーザー・アイテム評価、アイテムコンテンツ、ユーザーのプロフィール、ソーシャルネットワークを統合した単一のグラフ構造に、ハイブリッド協調フィルタリングモデルを構築すること。
• 新規ユーザーが評価履歴を持たない場合でも、個々のユーザーおよびグループに対してパーソナライズされた推薦を可能にすること。
• 異種グラフ上の重み付きランダムウォークを用いてユーザーの好みをモデル化することで、推薦精度を向上させること。
• 実世界のデータセット上で、特にコールドスタートおよびウォームスタートシナリオにおけるモデルの性能を評価すること。

提案手法

• ユーザー、アイテム、アイテムジャンル、ユーザーのプロフィールをノードとする有向かつ異種グラフを構築し、ユーザーの評価、信頼関係、コンテンツタグを反映するエッジで接続する。
• ユーザーの評価スコア（例：1〜5段階）に基づいてエッジ重みを割り当て、単位重みを使用するのではなく、好みの強度を符号化できるようにする。
• マルコフ的ランダムウォークプロセスを適用して安定なノード分布を計算し、これを推薦のアイテム順序として解釈する。
• 個々のユーザーのウォークと信頼関係を集約することで、グループ推薦にモデルを拡張する。
• ノードの重要度をPageRankに類似した計算で導出し、スコアが高いほど推薦の関連性が高いことを示す。
• ユーザー間の信頼関係によるリンクを用いてソーシャルネットワーク情報を統合し、信頼できるペアから情報が伝搬されることを可能にする。

実験結果

リサーチクエスチョン

• RQ1 ランダムウォークベースの協調フィルタリングモデルにソーシャルネットワーク情報を統合することで、コールドスタートシナリオにおける性能が著しく向上するか？
• RQ2 評価スコアに基づいて重みを付与したエッジを用いた本手法は、単位重みエッジを用いるモデルと比較して、推薦精度においてどのように異なるか？
• RQ3 新規ユーザーが過去の評価履歴を持たない場合、どの程度効果的な推薦を提供できるか？
• RQ4 アイテムコンテンツおよびユーザーのプロフィール情報の統合により、データスパarsityの問題への対処能力が向上するか？
• RQ5 MovieLensおよびEpinionsといった実世界のデータセットにおいて、本モデルは最先端の手法と比較してどの程度の性能を示すか？

主な発見

• ソーシャル情報統合済みのUserRankモデルは、コールドスタートシナリオにおいてEpinionsで0.2874、MovieLensで0.1112のパーセンタイルスコアを達成し、ベースライン手法を著しく上回った。
• コールドスタートケースにおいて、EpinionsではUserRank CFと比較して14.7%、MovieLensでは7.3%の平均パーセンタイルスコアの低下を達成した。
• MovieLensデータセットでは、トップ900件の推薦においてリCALLスコアが0.85に達し、関連アイテムの高いカバレッジを示した。
• 本モデルは、ソーシャル情報により、ユーザーの評価履歴が存在しない状況でも効果的な推薦を可能にした。
• ウォームスタート条件では、ソーシャル情報の追加による改善はわずかであり、ユーザー評価データが不足している状況でソーシャルデータが最も価値があることが示された。
• 評価に基づくエッジ重みの使用により、先行研究で用いられた単位重みエッジと比較して、好みのモデル化が向上し、より正確な順序付けが達成された。