[論文レビュー] Collaborative Topic Regression with Social Matrix Factorization for Recommendation Systems

Sanjay Purushotham, Yan Liu+1 more|arXiv (Cornell University)|Jun 18, 2012

Recommender Systems and Techniques参考文献 8被引用数 135

ひとこと要約

本稿では、協同トピック回帰と社会的行列分解を用いて、ユーザーの評価、ソーシャルネットワークの関係、および潜在的トピックを統合的にモデル化する階層ベイズモデルを提案する。トピックモデリングと行列分解を統合することで、モデルは意味のあるトピックと社会的影響を自動で同定し、2つのスケールの大きなデータセットにおいて最先端の手法を上回る性能を示す。特に、音楽の好みよりもブックマーク行動の予測において顕著な優位性を示す。

ABSTRACT

Social network websites, such as Facebook, YouTube, Lastfm etc, have become a popular platform for users to connect with each other and share content or opinions. They provide rich information for us to study the influence of user's social circle in their decision process. In this paper, we are interested in examining the effectiveness of social network information to predict the user's ratings of items. We propose a novel hierarchical Bayesian model which jointly incorporates topic modeling and probabilistic matrix factorization of social networks. A major advantage of our model is to automatically infer useful latent topics and social information as well as their importance to collaborative filtering from the training data. Empirical experiments on two large-scale datasets show that our algorithm provides a more effective recommendation system than the state-of-the art approaches. Our results reveal interesting insight that the social circles have more influence on people's decisions about the usefulness of information (e.g., bookmarking preference on Delicious) than personal taste (e.g., music preference on Lastfm). We also examine and discuss solutions on potential information leak in many recommendation systems that utilize social information.

研究の動機と目的

• 協同フィルタリングにおいてソーシャルネットワークの情報を活用することで、推薦の正確性を向上させること。
• 統一された確率的枠組み内で、ユーザーの評価、ソーシャル接続、および潜在的トピックを同時にモデル化すること。
• 手動による特徴工学を必要とせず、学習データからトピックの重要性と社会的影響の程度を自動で同定すること。
• ソーシャルサークルが、情報の有用性（例：Deliciousでのブックマーク）の意思決定において、個人の好み（例：Last.fmでの音楽）の意思決定よりもより強い影響を及ぼすかどうかを調査すること。
• 厳密な評価とモデル設計を用いて、ソーシャル推薦システムにおける潜在的な情報漏洩を特定・緩和すること。

提案手法

• モデルは、協同トピック回帰と社会的行列分解を統合した階層ベイズフレームワークを採用する。
• 生成プロセスを通じて、ユーザー・アイテム評価、ソーシャルネットワークのリンク、および潜在的トピックを同時にモデル化する。
• ユーザー生成コンテンツ（例：タグ、コメント）にトピックモデリングを適用し、好みに影響を与える潜在的トピックを抽出する。
• 社会的行列分解により、ネットワーク内のソーシャル接続を通じてユーザーの類似性と影響力を捉える。
• 変分推論を用いて、観測されたデータからユーザー固有のトピック重みと社会的影響パラメータを同定する。
• 評価予測、トピック割り当て、およびソーシャルリンク確率を統合した共同尤度関数を最適化することでモデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 ソーシャルネットワークの情報は、推薦システムにおける協同フィルタリングの性能向上にどの程度効果的か。
• RQ2 ソーシャルサークルは、情報の有用性に関する意思決定と個人の好みに関する意思決定の両者に対して、どの程度の影響を及ぼすか。
• RQ3 事前知識がなくても、統一されたモデルが潜在的トピックと社会的影響を同時に同定できるか。
• RQ4 ソーシャル推薦システムにおける情報漏洩の影響は何か。また、どのように緩和できるか。
• RQ5 提案手法は、実世界のデータセットにおいて最先端のアプローチと比較してどの程度優れているか。

主な発見

• 提案手法は、2つのスケールの大きなデータセットにおいて、最先端の推薦システムを著しく上回り、予測精度の向上を示した。
• 社会的影響は、個人の好み（例：Last.fmでの音楽）の意思決定よりも、情報の有用性（例：Deliciousでのブックマーク）の意思決定に対してより強い影響を及ぼす。
• モデルは、手動による特徴工学を必要とせず、データから意味のある潜在的トピックと社会的影響重みを自動で同定した。
• 実証的結果から、トピックと社会的構造の両方を組み込むことで、評価予測における一般化性能とロバスト性が向上することが示された。
• 研究では、ソーシャル推薦システムにおける潜在的な情報漏洩を特定し、その対策を講じた。評価プロトコルの注意深い設計の必要性が浮き彫りになった。
• 本モデルは、1つの確率的枠組み内でユーザーの評価、ソーシャルリンク、トピック分布を統合的にモデル化することで、優れた性能を達成した。