[論文レビュー] An Adjustable Heat Conduction based KNN Approach for Session-based Recommendation

Huifeng Guo, Ruiming Tang+3 more|arXiv (Cornell University)|Jul 16, 2018

Recommender Systems and Techniques参考文献 24被引用数 6

ひとこと要約

本論文は、拡散ベースの類似度手法（DSM）と新規な候補選択戦略（EPCSR）を用いて類似度測定を向上させる、調整可能な熱伝導に基づくKNNアプローチを提案する。ハイパーパrameter λ と β を用いてアイテムの人気度とセッション長を統合し、候補セッションにおける最近のクリックのバランスの取れた表現を保証することで、ベンチマークデータセット上でHR@20において従来のKNNアプローチを最大10.6%上回る最先端のパフォーマンスを達成した。

ABSTRACT

The KNN approach, which is widely used in recommender systems because of its efficiency, robustness and interpretability, is proposed for session-based recommendation recently and outperforms recurrent neural network models. It captures the most recent co-occurrence information of items by considering the interaction time. However, it neglects the co-occurrence information of items in the historical behavior which is interacted earlier and cannot discriminate the impact of items and sessions with different popularity. Due to these observations, this paper presents a new contextual KNN approach to address these issues for session-based recommendation. Specifically, a diffusion-based similarity method is proposed for considering the popularity of vertices in session-item bipartite network, and a candidate selection method is proposed to capture the items that are co-occurred with different historical clicked items in the same session efficiently. Comprehensive experiments are conducted to demonstrate the effectiveness of our KNN approach over the state-of-the-art KNN approach for session-based recommendation on three benchmark datasets.

研究の動機と目的

• 従来のKNNアプローチがアイテムの人気度を考慮できないことや、関連セッション選択における不均衡さを解消するための課題に対処する。
• セッション-アイテム二部グラフを拡散プロセスとしてモデル化することで、アイテムの人気度とセッション長を考慮したセッション類似度測定を改善する。
• 各クリック（特に最後のクリック）に対して関連セッションの割合がバランスよく確保されるように、候補選択を強化する。
• 最先端のKNNベースのセッション推薦手法と比較して、精度と多様性の両面で優れたパフォーマンスを達成する。

提案手法

• ハイパーパrameter λ（セッション長の影響）と β（アイテム人気度の影響）を用いて、セッション-アイテム二部グラフを拡散プロセスとしてモデル化する拡散ベースの類似度手法（DSM）を提案する。
• EPCSR（比率制御付き強化比例候補選択）と呼ばれる候補選択戦略を導入し、現在のセッション内の各クリックに対して関連セッションが候補セットに割合的に反映されるように保証する。
• 熱伝導のアナロジーを用いて、情報がセッション-アイテムグラフ全体に拡散するのを模擬する。熱はアクティブなアイテムからセッションへ、再び戻ってくることで共起パターンを捉える。
• DSM類似度測定をKNNフレームワークに適用し、現在のセッションに最も近いK個のセッションをDSMスコアに基づいて選択する。
• EPCSRを用いて、各クリックが最終類似度計算に与える寄与度を調整することで、候補セットを最適化する。
• アブレーションスタディを用いてハイパーパrameter λ と β を最適化し、精度と多様性のバランスを取る。最適な設定として λ=0.5 と β=0.5 が選ばれた。

実験結果

リサーチクエスチョン

• RQ1 アイテムの人気度とセッション長を組み込んだ拡散ベースの類似度手法は、セッションベース推薦における類似度測定を向上させることができるか？
• RQ2 現在のセッション内の異なるクリックに対して割合的に関連セッションが保証されるような候補選択戦略は、セッションベース推薦のパフォーマンスを向上させるか？
• RQ3 ハイパーパrameter λ（セッション長の影響）と β（アイテム人気度の影響）は、精度と多様性のトレードオフにどのように影響を与えるか？
• RQ4 提案手法のDSMとEPCSR戦略は、HR@20、MRR@20、Coverage@20の観点から、最先端のKNNベースのセッション推薦手法（CKNN-cosine-Original）を上回ることができるか？

主な発見

• 提案手法の CKNN-DSM(0.5,0.5)-EPCSR は、RSCデータセットでCKNN-cosine-Originalに対してHR@20で最大10.6%の向上を達成し、RSCWでは7.4%、Atomでは5.9%の向上を示した。
• RSCデータセットでは、最先端のKNNアプローチに対してMRR@20で7.1%の向上を示し、RSCWでは8.8%、AtomではCoverage@20で36.6%の向上を達成した。
• 最適なハイパーパrameter設定は λ=0.5 と β=0.5 であり、これが精度と多様性の両方をバランスよく保ち、全データセットで最高のHR@20とMRR@20を達成した。
• β=0.5 と λ=0.5 のDSM類似度手法が最高のパフォーマンスを示し、HR@20とMRR@20はこの値でピークに達した。一方、Coverage@20はβが増加すると向上するが、β>0.5 では他の指標が劣化した。
• EPCSR戦略は、元の候補選択手法と比較して顕著なパフォーマンス向上を示し、RSCではHR@20が7.4%、RSCWでは6.7%、Atomでは1.4%向上した。
• IKNNベースラインは文脈情報を無視しているため、全データセットでHR@20が0.52未満にとどまり、文脈に配慮した類似度測定と候補選択の必要性を裏付けた。