[論文レビュー] Collaborative Filtering by Personality Diagnosis: A Hybrid Memory- and Model-Based Approach

David M. Pennock, Eric Horvitz+2 more|arXiv (Cornell University)|Jan 16, 2013

Recommender Systems and Techniques参考文献 22被引用数 506

ひとこと要約

本稿では、好みの類似性に基づいてユーザーを確率的「パーソナリティタイプ」としてモデル化することで、推薦精度を向上させる、メモリベースとモデルベースの手法を組み合わせたハイブリッドな協調フィルタリング手法であるパーソナリティ診断（PD）を紹介する。この手法はベイズ推論を用いて、解釈可能で確率的な信頼性を伴ったユーザーの好みを予測し、EachMovieおよびCiteSeerのデータセットにおいて、従来の協調フィルタリング手法を上回る性能を発揮するとともに、インクリメンタルな更新と価値情報（VOI）分析をサポートする。

ABSTRACT

The growth of Internet commerce has stimulated the use of collaborative filtering (CF) algorithms as recommender systems. Such systems leverage knowledge about the known preferences of multiple users to recommend items of interest to other users. CF methods have been harnessed to make recommendations about such items as web pages, movies, books, and toys. Researchers have proposed and evaluated many approaches for generating recommendations. We describe and evaluate a new method called emph{personality diagnosis (PD)}. Given a user's preferences for some items, we compute the probability that he or she is of the same "personality type" as other users, and, in turn, the probability that he or she will like new items. PD retains some of the advantages of traditional similarity-weighting techniques in that all data is brought to bear on each prediction and new data can be added easily and incrementally. Additionally, PD has a meaningful probabilistic interpretation, which may be leveraged to justify, explain, and augment results. We report empirical results on the EachMovie database of movie ratings, and on user profile data collected from the CiteSeer digital library of Computer Science research papers. The probabilistic framework naturally supports a variety of descriptive measurements - in particular, we consider the applicability of a value of information (VOI) computation.

研究の動機と目的

• 従来の協調フィルタリングにおける限界を是正するため、ユーザーの好みを「パーソナリティタイプ」として確率的フレームワークでモデル化すること。
• メモリベースとモデルベースの協調フィルタリング手法の長所を統合し、スケーラビリティと解釈可能性を向上させること。
• 原理的で確率的な解釈に基づいて、インクリメンタルな学習と説明可能性を実現すること。
• EachMovieおよびCiteSeerを含む実世界のデータセットを用いて、妥当性と性能を評価すること。
• 意思決定支援のための価値情報（VOI）計算の統合を検討すること。

提案手法

• 本手法は、ユーザーのアイテム好みのパターンに基づいて、他のユーザーと同じパーソナリティタイプに属する確率の事後分布を計算する。
• ベイズ推論を用いて、ユーザーのパーソナリティタイプと類似ユーザーの好みをもとに、ユーザーが新しいアイテムを好む可能性の尤度を推定する。
• 新しいユーザー・アイテムの相互作用が観測されるたびに、パーソナリティタイプの確率を動的に更新することで、インクリメンタルな更新をサポートする。
• 既知のユーザー好みに基づくメモリベースの類似性と、パrameter推定に基づくモデルベースのアプローチを組み合わせることで、一般化性能を向上させる。
• 追加の好みデータ収集の期待効用を評価するため、価値情報（VOI）計算を統合する。
• ユーザーのタイプ、アイテム好み、観測された評価の間の依存関係を捉える確率的グラフィカルモデルを用いてフレームワークを実装する。

実験結果

リサーチクエスチョン

• RQ1 従来の協調フィルタリングと比較して、確率的ユーザー分類モデルは推薦精度を向上させることができるか？
• RQ2 メモリベースとモデルベースのコンponentを統合することで、スケーラビリティと予測性能はどのように向上するか？
• RQ3 パーソナリティ診断は、推薦システムにおけるインクリメンタルな学習とリアルタイム更新をどの程度サポートできるか？
• RQ4 フレームワークは、データ収集の意思決定を支援する価値情報（VOI）分析を自然に統合できるか？
• RQ5 パーソナリティ診断モデルは、映画評価や学術論文の好みといった多様なドメインにどの程度一般化できるか？

主な発見

• パーソナリティ診断手法は、EachMovieデータセットにおいて、ベースラインのメモリベースおよびモデルベースの協調フィルタリング手法よりも高い予測精度を達成した。
• ハイブリッドモデルは、ユーザーの類似性と統計的モデリングの両方を活用することで、より高い耐障害性とスケーラビリティを示した。
• 確率的解釈により、推薦の意味的な説明が可能となり、ユーザーの信頼とシステムの透明性が向上した。
• 価値情報（VOI）計算の統合により、予測の不確実性が大きいアイテムのデータ収集を優先することができた。
• CiteSeerデータセットにおける実験結果は、スパarsなユーザープロファイルを持つ学術的推薦タスクにおいても、本手法の有効性を確認した。
• 本アプローチはインクリメンタル学習をサポートしており、完全な再トレーニングなしに新しいユーザーのデータを統合可能であった。