[論文レビュー] Addressing the Item Cold-start Problem by Attribute-driven Active Learning

Yu Zhu, Jinhao Lin+5 more|arXiv (Cornell University)|May 23, 2018

Recommender Systems and Techniques参考文献 30被引用数 18

ひとこと要約

本稿では、アイテムの冷間スタート問題を解決するため、アイテム属性とユーザの評価履歴を併用して、新しいアイテムの評価に最適なユーザを選択する属性駆動型アクティブラーニングフレームワークを提案する。ユーザ選択を4つの基準—ユーザの評価意欲、評価の多様性、属性の類似度、歴史的嗜好—を考慮した最適化問題として定式化し、フィードバックを用いて因子分解マシンモデルを再訓練することで、ベースライン手法よりも顕著に低いRMSE（最大25%の改善）と高い予測忠実度を達成した。

ABSTRACT

In recommender systems, cold-start issues are situations where no previous events, e.g. ratings, are known for certain users or items. In this paper, we focus on the item cold-start problem. Both content information (e.g. item attributes) and initial user ratings are valuable for seizing users' preferences on a new item. However, previous methods for the item cold-start problem either 1) incorporate content information into collaborative filtering to perform hybrid recommendation, or 2) actively select users to rate the new item without considering content information and then do collaborative filtering. In this paper, we propose a novel recommendation scheme for the item cold-start problem by leverage both active learning and items' attribute information. Specifically, we design useful user selection criteria based on items' attributes and users' rating history, and combine the criteria in an optimization framework for selecting users. By exploiting the feedback ratings, users' previous ratings and items' attributes, we then generate accurate rating predictions for the other unselected users. Experimental results on two real-world datasets show the superiority of our proposed method over traditional methods.

研究の動機と目的

• 新規アイテムにユーザの評価が不足しているため、効果的な推薦が困難になるアイテムの冷間スタート問題に対処すること。
• アクティブラーニングとアイテム属性情報の統合により、新規アイテムの推薦精度を向上させること。
• 評価意欲と予測された評価の多様性を両立させるユーザ選択戦略を開発すること。
• 動的予算メカニズムを用いてアクティブラーニングのリソース配分を最適化すること。
• 選択されなかったユーザに対しても高品質な予測を保証しつつ、アクティブラーニング中のユーザ参加意欲を維持すること。

提案手法

• 既存のユーザ評価とアイテム属性を用いて因子分解マシンモデルを事前学習し、評価予測関数を初期化する。
• 4つのユーザ選択基準を定義する：(1) ユーザが新規アイテムを評価する意欲、(2) 予想される評価の多様性、(3) ユーザとアイテム間の属性類似度、(4) ユーザの類似アイテムに対する歴史的嗜好。
• 重み付き和を用いて、4つの基準のバランスを取る制約付き最適化問題としてユーザ選択を定式化し、ハイパーパrameter α が探索（多様性）と活用（信頼性）のトレードオフを制御する。
• 不確実性と潜在的情報量に基づいて、新規アイテムごとにアクティブラーニング予算を動的に割り当てることで、リソース効率を向上させる。
• 選択されたユーザからフィードバック評価を収集し、因子分解マシンモデルを再訓練することで、選択されなかったユーザの予測を精緻化する。
• 再訓練されたモデルを用いて、選択されなかったユーザの評価を予測し、精度と一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 アイテム属性をどのように効果的に活用することで、アイテム冷間スタート問題におけるアクティブラーニングのユーザ選択を改善できるか？
• RQ2 新規アイテムの評価に協力的でかつ情報価値の高いユーザを選択する際の基準として何を用いるべきか？
• RQ3 冷間スタートアイテムのアクティブラーニングにおいて、探索（多様な評価）と活用（高信頼度予測）のトレードオフをどのようにバランスさせるか？
• RQ4 限られたアクティブラーニングリソース下で、動的予算配分戦略が推薦性能にどの程度向上効果をもたらすか？
• RQ5 属性ベースのユーザ選択と協調フィルタリングを組み合わせることで、従来のハイブリッド手法やアクティブラーニング手法よりも高い予測精度が達成できるか？

主な発見

• 提案手法FMFCは、Movielens-IMDBデータセットにおいて、最良のベースライン比でRMSEを25%相対的に低減し、予測精度の顕著な向上を示した。
• 4つのユーザ選択基準のいずれかを除去するとRMSEが上昇し、特に基準(1)「ユーザの評価意欲」が最も大きな影響を持つことから、性能に不可欠な役割を果たしていることが確認された。
• 選択ユーザ数（k）が増加するほど性能が向上し、より多くのフィードバックが得られることでモデルの再訓練が改善され、予測誤差が低減することが示された。
• 動的予算戦略は、異なる総予算レベルにおいてRMSEとPFR（予測忠実度率）の両方を向上させたが、予算が高くなると収益の逓減が見られた。
• α（ユーザの評価意欲の重み）の最適値は約1であり、アクティブラーニングにおける高PFRと予測における低RMSEの両立を図るバランスに適している。α < 1 の場合、性能が低下した。
• 本手法はアクティブラーニング（高PFR）と予測（低RMSE）の両方で高い性能を維持しており、探索と活用の効果的なトレードオフが実現されていることが示された。