[論文レビュー] Attributes Coupling based Item Enhanced Matrix Factorization Technique for Recommender Systems

Yonghong Yu, Can Wang+1 more|arXiv (Cornell University)|May 5, 2014

Recommender Systems and Techniques参考文献 22被引用数 6

ひとこと要約

本稿では、アイテム属性情報を結合オブジェクト類似度（COS）測定を介して行列分解に統合することで、推薦精度の向上とコールドスタートアイテム問題の緩和を図る、属性結合に基づくアイテム強化行列分解（AC-IE-MF）手法を提案する。属性に基づく類似度による潜在アイテムベクトルの正則化により、豊富なアイテム属性が利用可能な状況では、最先端のアルゴリズムを上回る性能を発揮する。

ABSTRACT

Recommender system has attracted lots of attentions since it helps users alleviate the information overload problem. Matrix factorization technique is one of the most widely employed collaborative filtering techniques in the research of recommender systems due to its effectiveness and efficiency in dealing with very large user-item rating matrices. Recently, based on the intuition that additional information provides useful insights for matrix factorization techniques, several recommendation algorithms have utilized additional information to improve the performance of matrix factorization methods. However, the majority focus on dealing with the cold start user problem and ignore the cold start item problem. In addition, there are few suitable similarity measures for these content enhanced matrix factorization approaches to compute the similarity between categorical items. In this paper, we propose attributes coupling based item enhanced matrix factorization method by incorporating item attribute information into matrix factorization technique as well as adapting the coupled object similarity to capture the relationship between items. Item attribute information is formed as an item relationship regularization term to regularize the process of matrix factorization. Specifically, the similarity between items is measured by the Coupled Object Similarity considering coupling between items. Experimental results on two real data sets show that our proposed method outperforms state-of-the-art recommendation algorithms and can effectively cope with the cold start item problem when more item attribute information is available.

研究の動機と目的

• 協同フィルタリングにおけるコールドスタートアイテム問題を、アイテム属性情報の活用によって解決すること。
• 従来の手法よりもカテゴリカルなアイテム間の類似度測定をより正確に定式化すること。
• アイテム属性間の関係を正則化項として組み込むことで、行列分解の性能を向上させること。
• 提案手法の有効性を実世界のレコメンデーションシステムデータセット上で評価すること。
• 大規模レコメンデーションシステムにおける結合オブジェクト類似度測定のスケーラビリティおよび効率性を検討すること。

提案手法

• 本手法は、アイテム属性関係に基づく新しい正則化項を導入し、行列分解における潜在アイテム特徴ベクトルを制約する。
• 属性結合をモデル化することで、カテゴリカルなアイテム間の真正の関係を捉える結合オブジェクト類似度（COS）測定を採用する。
• COS測定は、共有属性に基づいてアイテム間の類似度を計算する。時間計算量は O(D²ρ³) であり、D は属性数、ρ はアイテム1つあたりの平均属性数を表す。
• ユーザー-アイテム評価予測損失と属性ベースの正則化項を組み合わせた目的関数を定義し、ユーザーおよびアイテムの潜在要因を同時に最適化する。
• 予測誤差を最小化するように確率的勾配降下法を用いてモデルを学習し、観測済み評価の誤差を低減するとともに、潜在空間における属性駆動型類似度を維持する。
• 本手法は MovieLens100K および HetRec2011 データセット上で評価され、各データセットに応じて近傍サイズを最適化するように調整されている。

実験結果

リサーチクエスチョン

• RQ1 アイテム属性情報を組み込むことで、行列分解に基づくレコメンデーションシステムの性能が向上するか？
• RQ2 提案された結合オブジェクト類似度（COS）測定は、SMS と比較して、アイテム関係をより効果的に捉えられるか？
• RQ3 アイテム属性が利用可能な場合、提案手法がどれほどコールドスタートアイテム問題を緩和できるか？
• RQ4 より豊富なアイテム属性情報が利用可能である場合、提案手法の推薦精度にどのような影響を与えるか？
• RQ5 近傍サイズの変更が、異なるデータセット上での提案手法の性能に与える影響はいかほどか？

主な発見

• 提案された AC-IE-MF 手法は、MAE の観点から、MovieLens100K および HetRec2011 データセットの両方において、RSVD、NMF、PMF、CBMF といった最先端のアルゴリズムを上回る性能を発揮した。
• CIMF で使用される SMS と比較して、属性結合を活用する COT 測定により、アイテム関係をより正確に捉えることができ、推薦精度が顕著に向上した。
• 新規アイテムの潜在特徴ベクトルを、類似する属性を持つ近隣アイテムを活用することで推定することで、コールドスタートアイテム問題を効果的に緩和した。
• HetRec2011 では、アイテム数が多く、属性情報が豊富なため、最適な近傍サイズは約 200 であり、MovieLens100K よりも大きいことが分かった。
• アイテム属性情報が限られる場合、手法の性能が低下する傾向にあり、推薦の品質が属性データの豊富さに強く依存していることが示された。
• COS の計算時間計算量は O(D²ρ³) であり、計算コストが高いため、今後の研究では並列処理や近似手法による最適化が求められる。