[論文レビュー] An Investigation on Social Network Recommender Systems and Collaborative Filtering Techniques

Maryam Nayebzadeh, Akbar Moazzam+3 more|arXiv (Cornell University)|Aug 1, 2017

Recommender Systems and Techniques参考文献 22被引用数 3

ひとこと要約

本研究では、100人のユーザー、10件のアイテム、10つのカテゴリーを備えたカスタムデータセットを生成することで、ソーシャルネットワークレコメンデーションシステム（SNRS）と共同フィルタリング（CF）の性能を比較する。平均絶対誤差（MAE）と正答率を用いた評価で、SNRSは従来のCFを上回り、改善されたレコメンデーション手法としての効率性を示している。

ABSTRACT

Nowadays, with the remarkable expansion of the information through the internet, users prefer to receive the exact information that they need through some suggestions from their friends or profiles to save their time and money. Recommend systems based on different algorithms as one of the basic ways to reach this goal through the internet have been proposed but each of them has their own advantages and disadvantages. In this study, we have selected and implemented two approaches which are Collaborative Filtering (CF) and Social Network Recommendations System (SNRS). Based on some limitations to finding a dataset which covers friendship, rating and item categories we generated it for 10 categories, 10 items, and 100 users and compared two approaches. We used Mean Absolute Error (MAE) and accuracy to compare the result of two mentioned approaches and found that the SNRS method as it is claimed to be improved version of CF works more efficiency.

研究の動機と目的

• ソーシャルネットワークレコメンデーションシステム（SNRS）と共同フィルタリング（CF）のレコメンデーション精度における性能を評価・比較すること。
• 友人関係、評価、アイテムカテゴリーを含む公開可能なデータセットの不足に対処するため、100人のユーザー、10件のアイテム、10つのカテゴリーを備えた合成データセットを生成すること。
• SNRSがCFの強化版としての有効性を測定し、レコメンデーション精度の向上と誤差低減の度合いを評価すること。
• ソーシャルネットワーク関係を組み込むことで、標準的なCF手法に比べてレコメンデーション品質が向上するという仮説を検証すること。

提案手法

• 100人のユーザー、10件のアイテム、10つのカテゴリーを対象に、ユーザーの友人関係、アイテム評価、カテゴリーラベルを含む合成データセットを生成した。
• 2つのレコメンデーションアプローチを実装した：標準的な共同フィルタリング（CF）とソーシャルネットワークレコメンデーションシステム（SNRS）。
• 両手法の性能を平均絶対誤差（MAE）と正答率という指標で評価した。
• SNRSは、ユーザーとアイテムの評価予測を向上させるために、ソーシャルネットワーク関係を活用した。これに対して、CFは評価パターンにのみ依存する。
• 公平な性能比較を確保するため、同じデータセットと評価指標を用いて比較分析を実施した。

実験結果

リサーチクエスチョン

• RQ1 SNRSの性能は、従来のCFと比較して、レコメンデーション精度と誤差率の面でどのように異なるか？
• RQ2 ソーシャルネットワーク関係を組み込むことで、標準的なCFに比べてどれほどレコメンデーション品質が向上するか？
• RQ3 制御された友人関係、評価、カテゴリーデータを備えた合成データセットは、レコメンデーションシステムの性能評価に有効に機能するか？
• RQ4 同じデータセットに適用した場合、SNRSはCFよりも低い平均絶対誤差（MAE）を示すか？

主な発見

• SNRSは従来の共同フィルタリングよりも低い平均絶対誤差（MAE）を達成しており、予測精度がより高いことが示された。
• SNRSはCFよりも高い正答率を示し、強化されたレコメンデーション手法としての有効性が確認された。
• 合成データセットは、CFとSNRSの両方の評価を効果的にサポートし、妥当な性能比較を可能にした。
• 結果として、ソーシャルネットワーク情報の統合が、CF単体に比べてレコメンデーション性能の向上に寄与することが裏付けられた。