[論文レビュー] CB2CF: A Neural Multiview Content-to-Collaborative Filtering Model for Completely Cold Item Recommendations

Oren Barkan, Noam Koenigstein+2 more|arXiv (Cornell University)|Nov 1, 2016

Recommender Systems and Techniques参考文献 34被引用数 4

ひとこと要約

CB2CF は、アイテムのコンテンツ表現と協調フィルタリング（CF）埋め込みを統合する深層ニューラルマルチビュー型モデルであり、ユーザーとの履歴的相互作用のない完全にコールドなアイテムに対しても効果的な推薦を可能にする。マルチビュー構造を用いてコンテンツ信号と協調フィルタリング信号を同時に学習することで、実世界のアプリケーション（Microsoft Store や映画推薦システムなど）におけるコールドスタートアイテムに対して、単独のコンテンツベースモデルを上回る性能を発揮する。

ABSTRACT

In Recommender Systems research, algorithms are often characterized as either Collaborative Filtering (CF) or Content Based (CB). CF algorithms are trained using a dataset of user preferences while CB algorithms are typically based on item profiles. These approaches harness different data sources and therefore the resulting recommended items are generally very different. This paper presents the CB2CF, a deep neural multiview model that serves as a bridge from items content into their CF representations. CB2CF is a real-world algorithm designed for Microsoft Store services that handle around a billion users worldwide. CB2CF is demonstrated on movies and apps recommendations, where it is shown to outperform an alternative CB model on completely cold items.

研究の動機と目的

• ユーザーとの履歴的相互作用のない完全にコールドなアイテム（新規アイテム）の推薦という課題に、アイテムのコンテンツと協調フィルタリング信号を活用して対処する。
• 統合されたディープラーニングフレームワークを通じて、コンテンツベースと協調フィルタリングのアプローチのギャップを埋める。
• Microsoft Store などの実世界のシステムで、10億人以上のユーザーを対象とし、新規アイテムのコールドスタート率が非常に高い環境においても、効果的な推薦を可能にする。
• コンテンツ特徴とユーザー・アイテム相互作用パターンを統合した共有表現を学習することで、新規アイテムの推薦品質を向上させる。
• 映画やアプリなど、コールドスタート性能が重要な多様な分野において、モデルの有効性を示す。

提案手法

• アイテムのコンテンツとユーザー・アイテム相互作用を同時にモデル化するためのマルチビュー型ディープニューラルネットワークを提案し、共有表現を学習する。
• シアンズ型アーキテクチャを用い、共通の隠れ層を介してアイテムのコンテンツ（メタデータ、テキスト、特徴など）を協調フィルタリング埋め込みにマッピングする。
• コンテンツ再構成とユーザー好み予測の両方を最適化する統合損失関数を用いて、エンドツーエンドでモデルを訓練する。
• 同じアイテムの複数のビュー（コンテンツ特徴からのビューと協調フィルタリング信号からのビュー）を統合し、ビュー間での知識移譲を可能にする。
• 事前学習済みのコンテンツ埋め込みをモデルの入力として活用することで、テキストやメタデータ特徴のみで新しいアイテムに一般化できるようにする。
• 大規模かつ10億ユーザー規模のデータセットを対象とした実世界のプロダクション環境（Microsoft Store）にモデルを適用し、性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 完全にコールドなアイテムに対して、アイテムのコンテンツから協調フィルタリング表現を効果的に学習できるか？
• RQ2 コンテンツと協調フィルタリング信号を統合することで、単独のコンテンツベースモデルと比較して新規アイテムの推薦精度がどの程度向上するか？
• RQ3 統一されたディープラーニングアーキテクチャが、映画やモバイルアプリなど多様な分野にどの程度一般化できるか？
• RQ4 ユーザーの相互作用履歴のないコールドスタート状況において、CB2CFモデルが従来のコンテンツベースモデルに対してどの程度のパフォーマンス向上を達成するか？
• RQ5 ユーザー・アイテム相互作用が大規模かつ動的で、データが疎である実世界のプロダクション環境において、モデルの頑健性はどの程度か？

主な発見

• CB2CF は、映画推薦およびアプリ推薦の両タスクにおいて、ベースラインのコンテンツベースモデルよりも完全にコールドなアイテムに対して顕著に優れた性能を示す。
• アイテムのコンテンツから協調フィルタリング埋め込みへの知識移譲を効果的に実現することで、コールドスタート推薦において最先端のパフォーマンスを達成する。
• マルチビュー構造により、特にユーザーとの履歴的相互作用のないアイテムにおいて、より優れた一般化と表現学習が可能になる。
• Microsoft Store から得た実世界のデータを用いた実証的評価により、10億ユーザーを対象としたスケーラビリティと効果性が確認された。
• コンテンツ信号と協調フィルタリング信号の共同学習により、NDCG や MAP といった標準指標で測定したコールドスタートアイテムセットにおける推薦品質が向上する。
• モデルは分野を越えて強いトランスファービリティを示し、エンターテインメント（映画）とソフトウェア（アプリ）の両方の推薦タスクで一貫した向上を示す。