[論文レビュー] Collaborative Filtering vs. Content-Based Filtering: differences and similarities

Rafael Glauber, Ângelo Loula|arXiv (Cornell University)|Dec 18, 2019

Recommender Systems and Techniques参考文献 25被引用数 4

ひとこと要約

本稿では、従来の精度指標を越えて、協調フィルタリング（CF）とコンテンツベースフィルタリング（CB）推奨システムを比較する包括的なオフライン評価フレームワークを提案する。2つのデータセット（MovieLensにIMDb拡張を加えたものとCiteULike）を用い、ベースラインCFアルゴリズムと2つのカスタムメモリベースのCBアルゴリズムを評価し、CBとCFが特に小規模なリストにおいて顕著に異なる、補完的な推薦を生じることを示した。特に、俳優などの関連するアイテム属性を用いることで、カタログカバレッジと多様性に優れることが明らかになった。

ABSTRACT

Recommendation Systems (SR) suggest items exploring user preferences, helping them with the information overload problem. Two approaches to SR have received more prominence, Collaborative Filtering, and Content-Based Filtering. Moreover, even though studies are indicating their advantages and disadvantages, few results empirically prove their characteristics, similarities, and differences. In this work, an experimental methodology is proposed to perform comparisons between recommendation algorithms for different approaches going beyond the "precision of the predictions". For the experiments, three algorithms of recommendation were tested: a baseline for Collaborative Filtration and two algorithms for Content-based Filtering that were developed for this evaluation. The experiments demonstrate the behavior of these systems in different data sets, its main characteristics and especially the complementary aspect of the two main approaches.

研究の動機と目的

• 標準の精度指標を越えて、協調フィルタリングとコンテンツベースフィルタリングのアプローチを比較するための体系的なオフライン評価手法を開発すること。
• 多様なデータセットを通じて、CFとCBシステムの推薦行動の違いと類似点を実証的に評価すること。
• アイテムのコンテンツ属性（例：俳優、ジャンル、監督）の違いが、CB推薦パフォーマンスに与える影響を評価すること。
• 特にトップ-Nリストにおける重複と多様性の観点から、CFとCBの推薦の補完性を調査すること。
• CFとCBを効果的に統合できる状況と方法を特定することで、ハイブリッド推奨システムの基盤を提供すること。

提案手法

• 本研究では、異なる推奨文脈を反映する2つの異なるデータセットを用いる：IMDbメタデータを拡張したMovieLens 1MとCiteULike。
• 類似度に基づく予測を用いた、ベースラインのユーザベース協調フィルタリング（CF）アルゴリズムを実装する。
• 2つのカスタムメモリベースコンテンツベース（CB）アルゴリズムを開発する：1つは個々のアイテム属性（例：俳優、ジャンル）を用い、もう1つは属性の連結集合（俳優＋脚本家＋監督）を用いる。
• 評価プロトコルには、標準指標（例：MAP、カバレッジ）に加え、推薦リスト間のインターセクションと類似性に焦点を当てた新しい指標を導入する。
• 推薦リストの比較には、ジャカード類似度と真の正例インターセクションを用い、重複と多様性を評価する。
• リストサイズの変動（例：10、20、50）を想定した実験を実施し、異なるフィルタリング条件下での挙動を分析する。

実験結果

リサーチクエスチョン

• RQ1 協調フィルタリングとコンテンツベースフィルタリングは、異なるデータセットにおいて、どのようにその推薦出力が異なるのか？
• RQ2 CFとCBの推薦は、特に小規模な推薦リストにおいて、どの程度重複したり乖離したりするのか？
• RQ3 MovieLensデータセットにおいて、どのアイテム属性がコンテンツベース推薦において最も顕著に寄与しているか？
• RQ4 利用可能なアイテムコンテンツの量と種別が、コンテンツベースフィルタリングのパフォーマンスにどのように影響するか？
• RQ5 CFとCBの補完的性質を定量的に示すことは可能か？また、その結果はハイブリッドシステム設計にどのように活かせるか？

主な発見

• MovieLensデータセットにおいて、コンテンツベースアルゴリズム（SUP）は協調フィルタリングとは顕著に異なる推薦を生成し、特に小規模な推薦リスト（例：トップ10）において顕著であった。リストサイズが増加するにつれて重複が増加する傾向を示した。
• SUPアルゴリズムは高いカタログカバレッジを達成し、俳優のような関連する属性を用いることで、コンテンツベースフィルタリングが「良いアイテム」を効果的に推薦できることを示した。これらの属性は強い予測力を持つことがわかった。
• 性別やジャンルといった属性は低性能を示し、コンテンツベースフィルタリングにおいてすべてのアイテム特徴が同等に有用であるとは限らないことが示された。特に、粗いまたは一般的すぎる属性は、効果が薄いことが判明した。
• CiteULikeデータセットでは、ユーザー間の協調性が低く、ユーザー-アイテム相互作用が疎であるため、協調フィルタリングのパフォーマンスが著しく劣った。これは、低協調環境におけるCFの限界を浮き彫りにした。
• インターセクション解析の結果、CFとCBシステムはほとんど重複のないアイテムを推薦しており、両者の補完的性質が確認された。この結果は、ハイブリッドシステム統合を支援するものである。
• MAPの結果では、連結属性セット（俳優＋脚本家＋監督）が個々の属性よりも優れたパフォーマンスを示し、複数の特徴を組み合わせることでCB推薦の質が向上することを示唆した。