[論文レビュー] Beyond Personalization: Social Content Recommendation for Creator Equality and Consumer Satisfaction

Wenyi Xiao, Huan Zhao+4 more|arXiv (Cornell University)|May 28, 2019

Recommender Systems and Techniques参考文献 29被引用数 9

ひとこと要約

本稿では、モンテカルロ木探索に基づく探索メカニズムを用いて高次元のソーシャル関係を活用することで、クリエイターの公平性と消費者満足度の両方を向上させるコンテンツ推薦モデル、Social Explorative Attention Network (SEAN) を提案する。SEAN は、Steemit などの分散型プラットフォームにおけるコンテンツクリエイターの公平な露出を実現しながらも、F1 スコア (43.12) とジニ係数 (0.27) の両面で最先端のベースラインを上回る優れた性能を達成している。

ABSTRACT

An effective content recommendation in modern social media platforms should benefit both creators to bring genuine benefits to them and consumers to help them get really interesting content. In this paper, we propose a model called Social Explorative Attention Network (SEAN) for content recommendation. SEAN uses a personalized content recommendation model to encourage personal interests driven recommendation. Moreover, SEAN allows the personalization factors to attend to users' higher-order friends on the social network to improve the accuracy and diversity of recommendation results. Constructing two datasets from a popular decentralized content distribution platform, Steemit, we compare SEAN with state-of-the-art CF and content based recommendation approaches. Experimental results demonstrate the effectiveness of SEAN in terms of both Gini coefficients for recommendation equality and F1 scores for recommendation performance.

研究の動機と目的

• ソーシャルメディアプラットフォームにおけるコンテンツ露出の不均衡、特に『マシュー効果』により新規または小規模なクリエイターが不利になる問題に対処すること。
• 消費者満足度の向上とコンテンツクリエイターの可視性における公平性の両立を図る推薦システムの設計。
• クリエイターの多様性を犠牲にしてまでユーザーの関心を優先する従来のパーソナライズド推薦モデルを越えること。
• 1ホップフレンドを越えたソーシャルネットワーク構造の統合により、推薦の多様性と公平性を向上させること。
• Steemit からの実世界データを用いて、推薦性能（F1）とクリエイター公平性（ジニ係数）のトレードオフを評価すること。

提案手法

• SEAN は、ソーシャルネットワーク内の高次元フレンドに注目するソーシャルアテンションを組み込んだパーソナライズドコンテンツ推薦モデルを採用する。
• 探索のバランスを図るために、モンテカルロ木探索（MCTS）フレームワークを用いる。これにより、人気のないユーザーの探索と信頼できるフレンドの活用の両立が可能になる。
• 探索と活用のバランスを制御するためのトレードオフ定数 λ を用いたビームサーチメカニズムを導入する。
• ソーシャルアテンションメカニズムにより、パーソナライズ要因が高次元フレンドに注目できるようになり、推薦の多様性と正確性が向上する。
• 探索深さ L とビーム幅 B といったハイパーパラメータは、性能とスケーラビリティの最適化を目的に調整される。
• 本フレームワークは、分散型コンテンツプラットフォームである Steemit から収集した2つの実世界データセットを用いて訓練および評価される。

実験結果

リサーチクエスチョン

• RQ1 推薦モデルは、消費者満足度とクリエイター公平性を同時に改善できるか？
• RQ2 高次元のソーシャル関係を活用することは、推薦の公平性と性能にどのように影響するか？
• RQ3 ソーシャルコンテンツ推薦における、探索（多様性）と活用（正確性）の最適なトレードオフは何か？
• RQ4 F1 スコアとジニ係数の観点から、SEAN は最先端の協調フィルタリング（CF）およびコンテンツベースモデルと比較してどの程度優れているか？
• RQ5 MCTSに基づく探索メカニズムは、コンテンツ推薦におけるマシュー効果をどの程度軽減するか？

主な発見

• SEAN は F1 スコア 43.12 を達成し、最先端の NCF モデル（F1=42.14）および DKN モデル（F1=42.85）を上回っている。
• SEAN はジニ係数を 0.27 まで低下させ、NCF（ジニ=0.35）および DKN（ジニ=0.32）と比較して、コンテンツクリエイターの露出における公平性が著しく向上していることが示された。
• 最適なトレードオフ定数 λ は 1 であると判明し、すべての評価手法において探索と活用のバランスが効果的にとられていた。
• ビーム幅 B=4 が最良のパフォーマンスを示し、中程度の探索深さが推薦品質の向上に寄与していることが示された。
• SEAN の学習時間は探索深さ L およびビーム幅 B に線形に比例し、良好なスケーラビリティを示している。
• モデルのパフォーマンスはさまざまなハイパーパramータ設定に対しても頑健であり、ジニ係数にほとんど影響を及ぼさず、F1 スコアは一貫して向上していた。