[論文レビュー] Aspect-Aware Latent Factor Model: Rating Prediction with Ratings and Reviews

Zhiyong Cheng, Ying Ding+2 more|arXiv (Cornell University)|Feb 22, 2018

Recommender Systems and Techniques参考文献 43被引用数 141

ひとこと要約

本論文は ALFM を提案する。これはアスペクト認識トピックモデル（ATM）とアスペクト認識潜在因子モデルを組み合わせ、評価値とレビューを用いて評価を予測し、局所性能とコールドスタート時の性能、解釈性を向上させる。

ABSTRACT

Although latent factor models (e.g., matrix factorization) achieve good accuracy in rating prediction, they suffer from several problems including cold-start, non-transparency, and suboptimal recommendation for local users or items. In this paper, we employ textual review information with ratings to tackle these limitations. Firstly, we apply a proposed aspect-aware topic model (ATM) on the review text to model user preferences and item features from different aspects, and estimate the aspect importance of a user towards an item. The aspect importance is then integrated into a novel aspect-aware latent factor model (ALFM), which learns user's and item's latent factors based on ratings. In particular, ALFM introduces a weighted matrix to associate those latent factors with the same set of aspects discovered by ATM, such that the latent factors could be used to estimate aspect ratings. Finally, the overall rating is computed via a linear combination of the aspect ratings, which are weighted by the corresponding aspect importance. To this end, our model could alleviate the data sparsity problem and gain good interpretability for recommendation. Besides, an aspect rating is weighted by an aspect importance, which is dependent on the targeted user's preferences and targeted item's features. Therefore, it is expected that the proposed method can model a user's preferences on an item more accurately for each user-item pair locally. Comprehensive experimental studies have been conducted on 19 datasets from Amazon and Yelp 2017 Challenge dataset. Results show that our method achieves significant improvement compared with strong baseline methods, especially for users with only few ratings. Moreover, our model could interpret the recommendation results in depth.

研究の動機と目的

• 複数のアスペクトにわたるユーザーの好みとアイテム特徴を、レビュー本文を活用してモデル化する。
• 局所的な評価予測を改善するために、各ユーザー-アイテムペアのアスペクト重要度を学習する。
• 重み行列を介して潜在因子をアスペクトに結びつけ、アスペクト評価を推定する。
• アスペクト重要度を用いたアスペクト評価の加重和として総合評価を算出する。
• データのスパース性の扱いを改善し、推奨の解釈性を高める。

提案手法

• レビューからユーザーとアイテムのアスペクト-トピック分布を抽出するアスペクト認識トピックモデル（ATM）を導入する。
• アスペクト認識潜在因子モデル（ALFM）を、潜在因子をアスペクトに写像する重み行列 W を用いて開発し、アスペクト特有の評価を可能にする。
• アスペクト評価 r_{u,i,a} を r_{u,i,a}=s_{u,i,a} * (w_a ⊙ p_u)^T (w_a ⊙ q_i) と定義する。
• アスペクト重要度 ρ_{u,i,a} を ユーザーとアイテムの事前分布 π_u, λ_u,a, λ_i,a を用いて計算する。
• s_{u,i,a} を ATM の出力 θ_{u,a} と ψ_{i,a} の JSD( θ_{u,a}, ψ_{i,a} ) を用いて 1 - JSD(...) と推定する。
• MF正則化と L1/L2 ペナルティを組み合わせた目的関数で SGD による評価予測を最適化する。

実験結果

リサーチクエスチョン

• RQ1 ALFM は、評価とレビューの双方を用いる最先端手法よりも評価予測で優れているか？
• RQ2 アスペクト認識表現を取り入れると、コールドスタートやスパースな評価のユーザー/アイテムの予測精度が向上するか？
• RQ3 影響力のあるアスペクトを特定することで、推奨に対する解釈可能な説明を提供できるか？
• RQ4 主要なハイパーパラメータ（例: トピック数 K、潜在因子数 f）が性能にどう影響するか？

主な発見

• ALFM は実世界の Amazon および Yelp のデータセット19件で、強力なベースラインを大幅に上回る。
• 評価数の少ないユーザーで性能の向上を示し、コールドスタート効果に対応。
• アスペクト認識ウェイトは、局所的な個々のユーザー-アイテム適応を可能にし、評価予測精度を向上させる。
• ATM は解釈可能なアスペクト抽出を提供し、ALFM と組み合わせると説明可能な推奨を生み出します。