[論文レビュー] Attention-based Group Recommendation

Tran Dang Quang Vinh, Tuan-Anh Nguyen Pham+2 more|arXiv (Cornell University)|Apr 12, 2018

Recommender Systems and Techniques参考文献 38被引用数 12

ひとこと要約

本論文は、グループ内の個々のユーザーの好みを動的に重み付けすることで推薦精度を向上させる、注目メカニズムを用いた深層学習モデルを提案する。ユーザー固有の影響を注目メカニズムでモデル化することで、4つのデータセットにおいてベースライン手法を上回り、グループ設定における好みの妥協を扱う際の注目メカニズムの有効性を示している。

ABSTRACT

Recommender systems are widely used in big information-based companies such as Google, Twitter, LinkedIn, and Netflix. A recommender system deals with the problem of information overload by filtering important information fragments according to users' preferences. However, most traditional recommendation techniques have limitations. In light of the increasing success of deep learning, recent studies have proved the benefits of using deep learning in various recommendation tasks. Recommendation architectures have been utilizing deep learning in order to overcome limitations of traditional recommendation techniques. We propose an extension of deep learning to solve the group recommendation problem. On the one hand, as different individual preferences in a group necessitate preference trade-offs in making group recommendations, it is essential that the recommendation model can discover substitutes among user behaviors. On the other hand, it has been observed that a user as an individual and as a group member behaves differently. To tackle such problems, we propose using an attention mechanism to capture the impact of each user in a group. Specifically, our model automatically learns the influence weight of each user in a group and recommends items to the group based on its members' weighted preferences. We conduct extensive experiments on four datasets. Our model significantly outperforms baseline methods and shows promising results in applying deep learning to the group recommendation problem.

研究の動機と目的

• 個々のユーザーの好みが衝突するグループ推薦における好み集約の課題に対処すること。
• グループ内での個々のユーザーの影響の違いをモデル化し、グループ行動が個別行動と異なることを認識すること。
• 従来の推薦システムの限界を打ち破るために、複雑なユーザー・アイテム相互作用を捉えるために深層学習を活用すること。
• 各メンバーの影響を反映するユーザー固有の注目重みを自動で学習する手法を開発すること。
• 実世界のデータセットを用いて、注目メカニズムがグループ設定における推薦パフォーマンスをどのように向上させるかを実証すること。

提案手法

• グループ内の各ユーザーに対して、その相対的な重要性を反映する動的な影響重みを計算するための注目メカニズムを採用する。
• ユーザー埋め込みと注目重みを統合し、個々の好みを集約するグループレベルの表現を生成する。
• ユーザーとアイテム間の非線形な相互作用を学習するための深層ニューラルネットワークを用いることで、複雑な好みのパターンを捉える。
• アイテム順序付けまたはレーティング予測のグループ推薦精度を最適化する損失関数を用いて、エンドツーエンドでモデルを学習する。
• 多首注目（multi-head attention）を適用して、ユーザー行動の多様な側面を捉え、ノイズや一貫性のない好みに対してより頑健になるようにする。
• ユーザー・アイテム相互作用データを用いてモデルを学習し、バックプロpagation中に注目重みを学習することで、グループ意思決定におけるユーザーの影響を反映させる。

実験結果

リサーチクエスチョン

• RQ1 注目メカニズムは、グループ内での個々のユーザーの影響の違いを効果的にモデル化できるか？
• RQ2 提案された注目ベースのモデルは、従来のグループ推薦手法と比較して、どの程度推薦精度を向上させるか？
• RQ3 明示的なユーザー重み付けなしに、モデルはグループメンバー間の繊細な好みの妥協を捉えることができるか？
• RQ4 ユーザーおよびアイテム相互作用パターンが異なる多様なデータセットに、モデルはどのように一般化するか？
• RQ5 実世界のシナリオにおいて、注目重みが最終的なグループ推薦品質に与える影響は何か？

主な発見

• 提案された注目ベースのモデルは、評価された4つのデータセットすべてでベースライン推薦手法を顕著に上回っている。
• 注目メカニズムは、実際のグループ好みへの貢献を反映する意味のある影響重みを効果的に学習している。
• 動的重み付けにより、グループメンバー間の好みの衝突を効果的に処理することで、モデルは推薦精度を向上させている。
• 注目メカニズムを用いた深層学習は、従来の協調フィルタリングと比較して、グループ設定における複雑なユーザー行動の表現をより良く可能にしている。
• モデルは、さまざまなタイプのグループ推薦タスクにおいて一貫したパフォーマンス向上を示しており、強い一般化能力を示している。
• 注目メカニズムは解釈可能なユーザー影響スコアを提供し、グループ意思決定のダイナミクスに関する洞察をもたらしている。