[論文レビュー] A Survey on Cross-domain Recommendation: Taxonomies, Methods, and Future Directions

Tianzi Zang, Yanmin Zhu+3 more|arXiv (Cornell University)|Aug 7, 2021

Recommender Systems and Techniques被引用数 4

ひとこと要約

本サーベイは、クロスドメインレコメンデーション（CDR）の包括的で体系的な分析を提示し、CDRのシナリオとタスクを整理する二段階の分類法を導入している。伝統的な手法およびディープラーニングベースの手法をレビューし、一般的に用いられるデータセットを評価し、主な課題と今後の研究方向性を特定することで、分野横断的レコメンデーションにおけるデータスパarsityとコールドスタート問題に取り組む研究者にとって基盤的な参照資料を提供する。

ABSTRACT

Traditional recommendation systems are faced with two long-standing obstacles, namely, data sparsity and cold-start problems, which promote the emergence and development of Cross-Domain Recommendation (CDR). The core idea of CDR is to leverage information collected from other domains to alleviate the two problems in one domain. Over the last decade, many efforts have been engaged for cross-domain recommendation. Recently, with the development of deep learning and neural networks, a large number of methods have emerged. However, there is a limited number of systematic surveys on CDR, especially regarding the latest proposed methods as well as the recommendation scenarios and recommendation tasks they address. In this survey paper, we first proposed a two-level taxonomy of cross-domain recommendation which classifies different recommendation scenarios and recommendation tasks. We then introduce and summarize existing cross-domain recommendation approaches under different recommendation scenarios in a structured manner. We also organize datasets commonly used. We conclude this survey by providing several potential research directions about this field.

研究の動機と目的

• 伝統的なレコメンデーションシステムにおけるデータスパarsityとコールドスタート問題に持続的に直面する課題を、ドメイン間での知識移譲によって軽減すること。
• 成長する重要性にもかかわらず、まだ十分にサーベイがなされていないクロスドメインレコメンデーション（CDR）研究の構造的かつ包括的な概要を提供すること。
• レコメンデーションのシナリオとタスクを区別する新しい二段階分類法を用いて、既存のCDR手法を体系的に整理・分類すること。
• CDR研究で広く用いられるデータセット（単一ドメインおよびマルチドメインの両方を含む）を評価・要約すること。
• CDRにおける未解決の課題と有望な今後の研究方向性（特に説明可能性、トランスファーラーニング、モデル一般化性）を特定し、議論すること。

提案手法

• 二段階分類法を提案：第一段階は、ユーザーおよびアイテムの重複に基づいてCDRをシナリオ（例：ユーザー重複、アイテム重複、重複なし）に分類し、第二段階は、ターゲットドメインとレコメンデーションの目的に基づいてタスクを分類する。
• 行列分解、因子分析マシン、共通クラスタリング、顕在的意味解析などの伝統的な機械学習手法を、CDRに適応した形でレビュー・分類する。
• 自己符号化器、グラフニューラルネットワーク、アテンション機構を含むディープラーニングベースのCDR手法を分析し、複雑なユーザーの好みやドメイン間の知識移譲をモデル化する能力に注目する。
• 重複するユーザーまたはアイテムをブリッジとして利用するトランスファー戦略を検討し、重複がない場合には補助情報（例：レビュー、タグ、ユーザープロフィール）を用いた代替手法も検討する。
• CDR研究で一般的に用いられるベンチマークデータセット（例：Movielen、Amazon、Epinions）を導入・評価し、マルチドメイン性とマルチソース特性を強調する。
• 説明可能性技術として、アテンション可視化、潜在空間の解釈に向けたT-SNE、知識グラフに基づく推論を議論し、クロスドメインレコメンデーションにおける透明性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 クロスドメインレコメンデーションは、どのようにして伝統的なレコメンデーションシステムにおけるデータスパarsityとコールドスタート問題を効果的に軽減できるか？
• RQ2 ユーザー重複あり vs. 重複なしといったさまざまなクロスドメインレコメンデーションシナリオの間には、どのような構造的・機能的差異があり、それらが手法設計にどのように影響を与えるか？
• RQ3 重複するユーザーもアイテムもない状況において、ユーザーの好みやアイテム表現を効果的にドメイン間で移譲するには、どのような技術が最も効果的か？
• RQ4 ディープラーニングモデルは、伝統的な機械学習手法と比較してCDRでどのように性能を向上させるのか？また、それらの限界は何か？
• RQ5 特にマルチドメインおよび異種環境下において、クロスドメインレコメンデーションモデルの説明可能性と信頼性を高めるために、どのような未解決の課題が存在するか？

主な発見

• 二段階分類法は、ドメイン間の相互作用パターン（シナリオ）とレコメンデーションの目的（タスク）を明確に区別することで、CDR研究の多様な分野を体系的に整理し、既存の研究を明確に分類可能にする。
• アテンション機構やグラフニューラルネットワークを活用するディープラーニングベースの手法は、ドメイン間で非線形的なユーザー好みの移譲を処理する上で、伝統的手法を著しく上回る性能を示す。
• Movielen、Amazon、EpinionsといったデータセットはCDR研究で広く用いられているが、マルチドメイン性とスケールの多様性を鑑みる必要があり、モデルの一般化性と移譲可能性の評価に注意を要する。
• CDRにおける説明可能性はまだ十分に発展していない。特に、ドメイン間で言語的・スタイル的差異が生じるテキストデータの影響により、生成された説明の読みやすさや一貫性が損なわれる可能性がある。
• 補助情報（例：レビュー、タグ、ユーザープロフィール）の統合により、ユーザー・アイテムの重複がなくても、特にディープ表現学習と組み合わせることで、効果的な知識移譲が可能になる。
• 技術の進展にもかかわらず、クロスドメインモデルは依然としてドメインシフトや分布的差異の問題に直面しており、より強固なドメイン不変性および分離表現学習技術の開発が求められる。