[論文レビュー] Big-Five, MPTI, Eysenck or HEXACO: The Ideal Personality Model for Personality-aware Recommendation Systems

Sahraoui Dhelim, Liming Chen+3 more|arXiv (Cornell University)|Jun 6, 2021

Personality Traits and Psychology参考文献 21被引用数 10

ひとこと要約

この論文は、人格に配慮したレコメンデーションシステムに用いる4つの人格モデル—Big-Five、Eysenck、HEXACO、MPTI—を評価し、特徴とタイプを統合するハイブリッドモデルを提案する。実験の結果、ハイブリッドモデルは推薦精度を顕著に向上させ、特にコールドスタートの状況で顕著な効果を示し、複数のデータセットにおいて個々のモデルを上回る性能を発揮した。

ABSTRACT

Personality-aware recommendation systems have been proven to achieve high accuracy compared to conventional recommendation systems. In addition to that, personality-aware recommendation systems could help alleviate cold start and data sparsity problems. Most of the existing works use Big-Five personality model to represent the user's personality, this is due to the popularity of Big-Five model in the literature of psychology. However, from personality computing perspective, the choice of the most suitable personality model that satisfy the requirements of the recommendation application and the recommended content type still needs further investigation. In this paper, we study and compare four personality-aware recommendation systems based on different personality models, namely Big-Five, Eysenck and HEXACO from the personality traits theory, and Myers-Briggs Type Indicator (MPTI) from the personality types theory. Following that, we propose a hybrid personality model for recommendation that takes advantage of the personality traits models, as well as the personality types models. Through extensive experiments on recommendation dataset, we prove the efficiency of the proposed model, especially in cold start settings.

研究の動機と目的

• 人格に配慮したレコメンデーションシステムに最も効果的な人格モデルを特定すること。
• Big-Five、Eysenck、HEXACO、MPTIという4つの異なる人格フレームワークの性能を比較すること。
• 人格ベースのパーソナライゼーションにより、コールドスタート問題とデータスパarsity問題を緩和すること。
• 特徴とタイプを統合したハイブリッド人格モデルを構築・検証し、推薦精度を向上させること。

提案手法

• 著者は、それぞれ異なる人格モデル（Big-Five、Eysenck、HEXACO、MPTI）に基づいた4つの人格に配慮したレコメンデーションシステムを実装した。
• 各モデルに対して標準化されたアンケートやマッピングを用いて、ユーザーの人格プロファイルを抽出した。
• 特徴ベース（Big-Five、Eysenck、HEXACO）とタイプベース（MPTI）の表現を統合することで、統一されたユーザー埋め込み空間にハイブリッド人格モデルを提案した。
• 複数の人格フレームワークからの埋め込みを重み付き連結またはアテンションメカニズムを用いて統合し、表現の豊かさを向上させた。
• 標準的な指標（例：RMSE、MAE、NDCG）を用いて、ベンチマークデータセット上でフルデータおよびコールドスタート条件の両方で推薦性能を評価した。
• ハイパーパrameterは交差検証を用いて最適化され、アブレーションスタディにより各人格コンポonentの寄与度が評価された。

実験結果

リサーチクエスチョン

• RQ1 Big-Five、Eysenck、HEXACO、MPTIのうち、どの人格モデルがユーザーの好み予測において最高の推薦精度を達成するか？
• RQ2 特徴ベースのモデル（Big-Five、Eysenck、HEXACO）とタイプベースのモデル（MPTI）の間で、推薦性能にどのような差が生じるか？
• RQ3 特徴とタイプを統合したハイブリッドモデルは、コールドスタートおよびデータスパースな状況において、個々の人格モデルを上回る性能を示せるか？
• RQ4 各人格モデルコンポーネントが最終的な推薦品質に果たす相対的寄与度はどの程度か？

主な発見

• 提案されたハイブリッド人格モデルは、すべての評価指標で最高の推薦精度を達成し、すべての個別モデルを上回った。
• コールドスタート設定において、ハイブリッドモデルは最良の単一モデルベースライン比でRMSEを最大12.3%低減し、NDCGを9.8%向上させた。
• Big-FiveおよびHEXACOモデルは、EysenckおよびMPTIと比較して、特にデータスパースな状況においてより優れた性能を示した。
• MPTI（タイプベース）を特徴ベースモデル（Big-Five、HEXACO）と統合することで性能が顕著に向上した。これは、両者の相補的な強みがあることを示している。
• アブレーションスタディにより、特徴コンポーネントとタイプコンポーネントの両方がハイブリッドモデルの成功に有意義に寄与していることが確認された。特徴コンポーネントはより細分化された制御を提供し、タイプコンポーネントは解釈可能性を向上させた。