[論文レビュー] A Synthetic Approach for Recommendation: Combining Ratings, Social Relations, and Reviews

Guangneng Hu, Xinyu Dai+3 more|arXiv (Cornell University)|Jan 11, 2016

Recommender Systems and Techniques参考文献 32被引用数 37

ひとこと要約

本稿では、社会的行列分解の潜在要因とトピックモデルの隠れトピックを一致させることで、ユーザー評価、社会的関係、アイテムレビューを統合的にモデル化するMR3という統一フレームワークを提案する。この手法は、異種のデータソースを効果的に統合することで、Epinions や Ciao といった実世界のデータセット上で顕著な性能向上を達成し、評価予測の精度が向上する。

ABSTRACT

Recommender systems (RSs) provide an effective way of alleviating the information overload problem by selecting personalized choices. Online social networks and user-generated content provide diverse sources for recommendation beyond ratings, which present opportunities as well as challenges for traditional RSs. Although social matrix factorization (Social MF) can integrate ratings with social relations and topic matrix factorization can integrate ratings with item reviews, both of them ignore some useful information. In this paper, we investigate the effective data fusion by combining the two approaches, in two steps. First, we extend Social MF to exploit the graph structure of neighbors. Second, we propose a novel framework MR3 to jointly model these three types of information effectively for rating prediction by aligning latent factors and hidden topics. We achieve more accurate rating prediction on two real-life datasets. Furthermore, we measure the contribution of each data source to the proposed framework.

研究の動機と目的

• 単一の評価に依存する既存の推薦システムの限界を是正するため、社会的関係やアイテムレビューといった補完的データソースを統合すること。
• 協同フィルタリングにおけるデータスパarsity問題とコールドスタート問題を、社会的影響力とテキストコンテンツの統合によって克服すること。
• 社会的構造とレビューの意味的特徴を評価予測と密接に統合する統一フレームワークを構築し、複数のデータタイプを別々にモデル化するのを避けること。
• 各データソース（評価、社会的関係、レビュー）が全体の推薦性能に果たす相対的寄与度を調査すること。

提案手法

• ユーザーの社会的ネットワークのグラフ構造を活用するように、社会的行列分解（Social MF）を拡張し、単なるユーザー類似度を越えた社会的影響のモデル化を強化する。
• 社会的行列分解の潜在要因とトピックモデルの隠れトピックを一致させることで、評価、社会的関係、アイテムレビューを統合的にモデル化する新しいフレームワーク MR3 を提案する。
• 評価予測、社会的関係モデル化、トピックモデル化を統合した統一目的関数を用い、各コンポonentの影響を制御する正則化項を導入する。
• 潜在要因の一致を適用することで、3つのデータモダリティ間でユーザーの嗜好とアイテムの属性が一貫して表現されることを保証する。
• 計算効率を維持しながら、ユーザーおよびアイテム表現を同時に学習するため、交互最小自乗法（ALS）を用いてモデルを最適化する。
• 社会的およびレビュー情報の相対的寄与度を制御するハイパーパrameter λ_rel と λ_rev を導入し、感度分析とモデルチューニングを可能にする。

実験結果

リサーチクエスチョン

• RQ1 どのようにして社会的関係とアイテムレビューを評価データと効果的に統合し、推薦精度を向上させることができるか？
• RQ2 ハイブリッド推薦システムにおける性能向上に、社会的関係とレビューのどちらがより寄与しているか？
• RQ3 社会的行列分解の潜在要因とトピックモデルのトピックを一致させることで、個別にモデル化する場合よりも優れた評価予測が達成できるか？
• RQ4 潜在要因の数や正則化重みといったハイパーパrameterに、提案されたフレームワークはどれほど感受性を示すか？
• RQ5 複数のデータソースの統合は、協同フィルタリングにおけるコールドスタート問題とデータスパarsity問題を緩和できるか？

主な発見

• MR3 フレームワークはベースラインモデルに対して顕著な性能向上を達成し、Epinions データセットで社会的関係とレビュー情報をモデルから削除した場合、RMSE が相対的に 7.99% 減少した。
• 社会的関係を単独で削除すると、Epinions では RMSE が相対的に 4.29% 悪化し、社会的影響力が正確な予測に不可欠な情報を含んでいることが示された。
• レビューを単独で削除すると、Epinions では RMSE が相対的に 1.19% 悪化し、レビュー内のテキストコンテンツも推薦品質に有意義に寄与していることが示された。
• 潜在要因の数 F が 5 から 100 の範囲で変化してもモデルの性能は安定しており、F = 10 で最適な安定性を達成した。
• ハイパーパrameter λ_rel と λ_rev は [0.0001, 0.1] の範囲で低感受性であり、最適値はそれぞれ λ_rel = 0.001 と λ_rev = 0.05 で得られた。
• 社会的およびレビューコンポーネントを両方とも無効化した場合、RMSE は 1.1502 に達し、3つのデータソースを併用することが最高性能を発揮するために不可欠であることが確認された。