[論文レビュー] An Analysis of the Features Considerable for NFT Recommendations

Dinuka Piyadigama, Guhanathan Poravi|arXiv (Cornell University)|May 1, 2022

Consumer Market Behavior and Pricing被引用数 5

ひとこと要約

本稿では、分散型NFTマーケットプレイスにおける関連性の向上を目的として、特徴ベースのコンテンツ類似度と特徴レアリティスコアを組み合わせた二重モデル手法を提案する。両手法を統合することで、コサイン類似度を用いた視覚的・意味的類似度と、希少性に基づくスコアを用いた希少性駆動の価値評価を組み合わせることで、単独で使用する場合よりも包括的かつ多様な推薦が得られることを示している。

ABSTRACT

This research explores the methods that NFTs can be recommended to people who interact with NFT-marketplaces to explore NFTs of preference and similarity to what they have been searching for. While exploring past methods that can be adopted for recommendations, the use of NFT traits for recommendations has been explored. The outcome of the research highlights the necessity of using multiple Recommender Systems to present the user with the best possible NFTs when interacting with decentralized systems.

研究の動機と目的

• 分散型NFTマーケットプレイスにおける効果的な推薦に不可欠な特徴、特にNFTの特徴を特定・評価すること。
• NFTの独自の特性に適合したマルチモデル推薦システムの開発を通じて、NFTマーケットプレイスにおける情報過多の問題を解決すること。
• コンテンツベースおよびレアリティベースの推薦モデルを統合することによる、ユーザーの関連性と探索可能性の向上を評価すること。
• 将来のシステムにおけるユーザーの好み、感情、価格動態をNFT推薦パイプラインに統合する基盤を構築すること。

提案手法

• NFT特徴ベクトル間のコサイン類似度を用いたコンテンツベースの推薦モデルを採用し、視覚的および意味的類似度の高いNFTを特定した。
• 全NFTの合計レアリティスコアを、$ T_{r,t} = \sum^{Nt}_{t=1}\frac{1}{\left(\frac{c_{t}}{T_{N}}\right)} $ の式により計算した。ここで $ c_t $ は特徴の数、$ T_N $ は総供給量を表す。
• 参照NFTの合計レアリティスコアに最も近い10のNFTを選択して推薦を生成した。
• 散布図を用いてコサイン類似度とレアリティスコアの両モデルの出力を可視化・比較し、多様性と関連性を評価した。
• APIレート制限やデータ不足の課題にもかかわらず、OpenSea APIデータおよびNFT特徴に関するオープンデータセットを活用して、モデルの学習と評価を実施した。
• 将来的な強化の可能性として、LSTMベースのディープラーニングとセンチメント分析の統合を検討したが、データ制約のため実装は行われなかった。

Figure 1: Trait Similarity Content based recommendations

実験結果

リサーチクエスチョン

• RQ1 分散型NFTマーケットプレイスにおいて、関連性の高い推薦を生成するために最も効果的なNFT特徴は何か？
• RQ2 コンテンツベースの類似度と特徴レアリティスコアの両手法が、関連性の高いNFTを推薦する能力において、どのように比較できるか？
• RQ3 コンテンツベースとレアリティベースの両モデルを統合することで、単独で使用する場合よりも多様かつ正確な推薦が得られるか？
• RQ4 NFTの独自性とデータの一貫性の低さを鑑みるとき、LSTMのようなディープラーニングモデルをNFT推薦に適用する際の制限は何か？
• RQ5 ユーザーの好み、感情、および歴史的価格データを統合することで、NFT推薦システムはさらにどのように改善できるか？

主な発見

• コサイン類似度を用いたコンテンツベースのモデルは、高いコサイン類似度スコアを示すように、参照NFTと視覚的・意味的に類似したNFTを推薦した。
• レアリティベースのモデルは、類似した希少性プロファイルを持つNFTを推薦したが、これらのアイテムは参照NFTとのコサイン類似度が低く、別個の推薦空間を形成していることが示された。
• 評価グラフから、両モデルが対照的な出力を示していることが明らかになった。コサイン類似度モデルは、希少性空間において一貫性のない分散を示した一方、レアリティモデルは低いコンテンツ類似度のアイテムを推薦した。
• 研究は、両モデルが互いに必要不可欠で補完的であると結論づけた。それぞれが関連性の異なる次元、すなわち類似性と希少性を捉えているためである。
• 視覚的類似性と希少性による価値認識の両方をバランスさせる包括的な推薦を得るには、両モデルの統合が不可欠である。
• データの入手困難さやAPIレート制限の課題にもかかわらず、研究者はオープンデータセットが将来的なモデルの学習と強化に有効なリソースであると特定した。

Figure 3: Total Rarity based recommendations