[論文レビュー] Challenging the Long Tail Recommendation

Hongzhi Yin, Bin Cui+3 more|arXiv (Cornell University)|May 30, 2012

Recommender Systems and Techniques参考文献 21被引用数 10

ひとこと要約

本稿では、ヒット時間、吸収時間、エントロピー歪み付き吸収コストを活用することで、長尾アイテム推薦を向上させるグラフベースの推薦フレームワークを提案する。ユーザーとアイテムの相互作用をエッジ重み付きグラフとしてモデル化することにより、高いユーザー関連性を持つニッチなアイテムを効果的に特定し、Douban や Movielens といった実世界のデータセットにおいて、精度、多様性、新規性の面で最先端の手法を上回る性能を発揮する。

ABSTRACT

The success of "infinite-inventory" retailers such as Amazon.com and Netflix has been largely attributed to a "long tail" phenomenon. Although the majority of their inventory is not in high demand, these niche products, unavailable at limited-inventory competitors, generate a significant fraction of total revenue in aggregate. In addition, tail product availability can boost head sales by offering consumers the convenience of "one-stop shopping" for both their mainstream and niche tastes. However, most of existing recommender systems, especially collaborative filter based methods, can not recommend tail products due to the data sparsity issue. It has been widely acknowledged that to recommend popular products is easier yet more trivial while to recommend long tail products adds more novelty yet it is also a more challenging task. In this paper, we propose a novel suite of graph-based algorithms for the long tail recommendation. We first represent user-item information with undirected edge-weighted graph and investigate the theoretical foundation of applying Hitting Time algorithm for long tail item recommendation. To improve recommendation diversity and accuracy, we extend Hitting Time and propose efficient Absorbing Time algorithm to help users find their favorite long tail items. Finally, we refine the Absorbing Time algorithm and propose two entropy-biased Absorbing Cost algorithms to distinguish the variation on different user-item rating pairs, which further enhances the effectiveness of long tail recommendation. Empirical experiments on two real life datasets show that our proposed algorithms are effective to recommend long tail items and outperform state-of-the-art recommendation techniques.

研究の動機と目的

• データスパarsityのため、従来の協調フィルタリングが無視しがちな長尾アイテムを効果的に推薦する課題に対処すること。
• ユーザーとアイテムの相互作用を無向かつエッジ重み付きグラフとしてモデル化することで、推薦の多様性と精度を向上させること。
• ユーザーの好みと強い整合性を保ちつつ、ニッチなアイテムを優先するアルゴリズムを開発すること。
• 実験的評価とユーザースタディを通じて、提案手法の推薦品質、新規性、偶然性の観点での有効性を評価すること。

提案手法

• ユーザーとアイテムの相互作用を無向かつエッジ重み付きグラフとして表現し、ユーザーの好みとアイテム間の関係をモデル化する。
• ヒット時間アルゴリズムを、ユーザー好みの経路を通じて到達可能な長尾アイテムを同定する理論的基盤として適用する。
• 期待到達時間の測定により、好まれるアイテムに到達するまでの時間を評価することで、多様性と精度を向上させる吸収時間アルゴリズムを導入する。
• エントロピー歪み付き吸収コストを用いて吸収時間アルゴリズムを最適化し、レーティングペアの差異を明確に識別することで、ニッチアイテム発見の精度を向上させる。
• グローバルなグラフスキャンを回避するため、部分グラフ探索戦略を採用して計算コストを低減する。
• 実世界のデータセット（Douban および Movielens）を用いて手法を検証し、LDA、PureSVD、DPPR と比較する。

実験結果

リサーチクエスチョン

• RQ1 ヒット時間および吸収時間といったグラフベースの手法は、データスパarsityの影響を受けても、長尾アイテムを効果的に推薦できるか？
• RQ2 従来の協調フィルタリングと比較して、吸収時間アルゴリズムは推薦の多様性と精度をどのように向上させるか？
• RQ3 吸収コストにおけるエントロピー歪みは、ユーザーとアイテムのレーティングペアの差異をどれほど明確に識別できるか？
• RQ4 LDA や PureSVD といった最先端モデルと比較して、提案されたアルゴリズムは性能と効率の面でどの程度優れているか？
• RQ5 実世界において、長尾推薦はユーザー満足度、新規性、偶然性の観点で、どの程度の影響を及ぼすか？

主な発見

• AC2アルゴリズムは、LDA や PureSVD と同等の効率性を達成し、Douban データセットでは 0.52 秒の実行時間で、グラフベースの DPPR アルゴリズムを上回った。
• ユーザースタディの結果、AC2は平均全体スコア 4.41 を達成し、DPPR の 3.65 よりも顕著に高く、ユーザーの好みとより整合性が高かった。
• AC2は新規性スコア 0.98 を達成しており、推薦されたアイテムの 98% がユーザーにとって以前に知られていなかったことを示し、強い偶然性と長尾指向性を示している。
• LDA や PureSVD と比較して、AC2は顕著に多くの長尾アイテムを推薦しており、それぞれの推薦のうち 6.4% および 6.6% のみが以前に知られていた。
• エントロピー歪み付き吸収コストは、レーティングペアの差異をよりよく識別することで、推薦品質を向上させ、ニッチアイテムの発見精度を向上させた。
• 提案手法は、特に低人気で高関連性のアイテムを同定する点で、最先端の技術を上回る推薦精度と多様性を実現した。