[論文レビュー] A spreading activation approach for collaborative filtering

Jian-Guo Liu|arXiv (Cornell University)|Dec 26, 2007

Opinion Dynamics and Social Influence被引用数 1

ひとこと要約

この論文は、意見伝播をモデル化することでユーザ類似度を扱う、スプライディングアクティベーションに基づく協調フィルタリング手法（SA-CF）を導入し、標準のピアソン相関ベースのCFを上回る推薦精度を実現する。自由パラメータβを調整することで人気アイテムの影響を軽減し、計算を常に上位N個の近隣に限定することで、計算複雑性を低く抑えつつ高い精度を達成する。

ABSTRACT

In this paper, we propose a spreading activation approach for collaborative filtering (SA-CF). By using the opinion spreading process, the similarity between any users can be obtained. The algorithm has remarkably higher accuracy than the standard collaborative filtering (CF) using Pearson correlation. Furthermore, we introduce a free parameter $\beta$ to regulate the contributions of objects to user-user correlations. The numerical results indicate that decreasing the influence of popular objects can further improve the algorithmic accuracy and personality. We argue that a better algorithm should simultaneously require less computation and generate higher accuracy. Accordingly, we further propose an algorithm involving only the top-$N$ similar neighbors for each target user, which has both less computational complexity and higher algorithmic accuracy.

研究の動機と目的

• 標準の協調フィルタリングが、微細なユーザ-アイテム関係を捉えることの制限を解消すること。
• ピアソン相関ベースの類似度測定を上回る推薦精度を向上させること。
• 予測品質を損なわず計算複雑性を低減すること。
• 人気アイテムがユーザ類似度に与える影響を動的に調整できる手法を開発すること。

提案手法

• 意見伝播を模倣するスプライディングアクティベーションプロセスを通じて、ユーザ-ユーザ類似度をモデル化する。
• 人気アイテムがユーザ-ユーザ相関に与える寄与度を制御する自由パラメータβを導入する。
• アクティベートされたアイテム状態に依存する関数としてユーザ類似度を定式化し、相互作用に基づいてアクティベーションがアイテムからユーザへ伝播する。
• 計算負荷を軽減するため、各ターゲットユーザに対して上位N個の類似度の高いユーザのみを近隣集合に限定する。
• 最終予測には上位N個の近隣を用いることで、スケーラビリティと効率性を確保する。
• βとNのチューニングにより、精度と計算コストのバランスを最適化する。

実験結果

リサーチクエスチョン

• RQ1 スプライディングアクティベーション機構は、従来のピアソン相関を上回る協調フィルタリングの精度を向上させることができるか？
• RQ2 パラメータβを調整することで人気アイテムの影響を変更すると、推薦精度とパーソナライゼーションにどのような影響を与えるか？
• RQ3 近隣集合を上位N個の類似度の高いユーザに限定することで、計算複雑性をどの程度低減できるか、かつ精度を維持または向上させられるか？
• RQ4 提案手法は、標準のCFと比較して、精度と効率性のトレードオフをより良く達成できるか？

主な発見

• SA-CFアルゴリズムは、ピアソン相関を用いた標準の協調フィルタリングよりも顕著に高い精度を達成する。
• パラメータβを用いて人気アイテムの影響を軽減することで、アルゴリズムの精度が向上し、パーソナライゼーションが改善される。
• 近隣計算を上位N個の類似度の高いユーザに限定することで、計算複雑性が低減されつつ、精度が維持または向上する。
• スプライディングアクティベーションと上位N個の近隣選択の組み合わせにより、より効率的で正確な推薦システムが実現される。