[論文レビュー] BPR: Bayesian Personalized Ranking from Implicit Feedback

Steffen Rendle, Christoph Freudenthaler+2 more|arXiv (Cornell University)|May 9, 2012

Recommender Systems and Techniques参考文献 15被引用数 4,347

ひとこと要約

BPR は暗黙的フィードバックから個人化ランキングを直接最適化するためのベイズフレームワークを導入し、確率的勾配降下法を用いて事後目的を最大化することを適用し、MFおよび適応型 kNN に対するランキング最適化の改善を示す。

ABSTRACT

Item recommendation is the task of predicting a personalized ranking on a set of items (e.g. websites, movies, products). In this paper, we investigate the most common scenario with implicit feedback (e.g. clicks, purchases). There are many methods for item recommendation from implicit feedback like matrix factorization (MF) or adaptive knearest-neighbor (kNN). Even though these methods are designed for the item prediction task of personalized ranking, none of them is directly optimized for ranking. In this paper we present a generic optimization criterion BPR-Opt for personalized ranking that is the maximum posterior estimator derived from a Bayesian analysis of the problem. We also provide a generic learning algorithm for optimizing models with respect to BPR-Opt. The learning method is based on stochastic gradient descent with bootstrap sampling. We show how to apply our method to two state-of-the-art recommender models: matrix factorization and adaptive kNN. Our experiments indicate that for the task of personalized ranking our optimization method outperforms the standard learning techniques for MF and kNN. The results show the importance of optimizing models for the right criterion.

研究の動機と目的

• 暗黙のフィードバックシナリオ（例：クリック、購入）の下でアイテム推奨を動機づける。
• ベイズ分析に基づくランキング指向の目的を提案する（BPR-Opt）。
• BPR-Opt を最適化するための確率的勾配降下法に基づく学習アルゴリズムを提供する。
• BPR-Opt をマトリクス分解と適応型 kNN モデルへ適用する方法を示す。
• MF および kNN の従来の学習手法よりランキング性能の改善を実証する。

提案手法

• 暗黙的フィードバックのためのベイズモデル下で最大事後推定量として BPR-Opt を定義する。
• BPR-Opt を最適化するためにブートストラップサンプリングを用いた一般的な SGD ベースの学習アルゴリズムを開発する。
• BPR-Opt を2つのモデル：マトリクス分解と適応型 kNN に適用することを示す。
• MF と kNN の標準的な学習手法と比較して、ランキング重視の最適化を行う。

実験結果

リサーチクエスチョン

• RQ1 従来の MF や kNN の訓練と比較して、暗黙的フィードバックからの個人化ランキングを改善するベイズ由来のランキング目的は実現できるか？
• RQ2 ブートストラップサンプリングを用いた確率的勾配降下法は BPR-Opt 目的の下でモデルを最適化するのにどう用いられるか？
• RQ3 MF と適応型 kNN はランキング最適化を直接行うことから予測精度の最適化より恩恵を受けるか？
• RQ4 暗黙的フィードバックシナリオにおける BPR-Opt のランキング性能への実証的影響は何か？

主な発見

• BPR-Opt は暗黙的フィードバックのための原理的なランキング重視の目的を提供する。
• SGD with bootstrap sampling は BPR-Opt に向けてモデルを最適化できる。
• Applying BPR-Opt to matrix factorization and adaptive kNN yields improved personalized ranking over standard training methods.
• Optimizing for the correct criterion (ranking) has substantial performance benefits for ranking tasks.