[論文レビュー] Comprehensive Movie Recommendation System

Hrisav Bhowmick, Ananda Chatterjee+1 more|arXiv (Cornell University)|Dec 23, 2021

Image and Video Quality Assessment被引用数 10

ひとこと要約

本論文は、コンテンツベースフィルタリング（TF-IDF、SVD）、協調フィルタリング（ピアソン相関、コサイン類似度、KNN）、およびジャンルベースの慣性最適化を用いた新しいクラスタリング手法を統合した包括的な映画推薦システムを提示する。MovieLensデータセット（610名のユーザー、9,742本の映画）を用いて評価されたハイブリッドフレームワークは、複数のアルゴリズムを組み合わせ、インertia分析によるクラスタ安定性の検証を通じて、推薦精度を向上させた。

ABSTRACT

A recommender system, also known as a recommendation system, is a type of information filtering system that attempts to forecast a user's rating or preference for an item. This article designs and implements a complete movie recommendation system prototype based on the Genre, Pearson Correlation Coefficient, Cosine Similarity, KNN-Based, Content-Based Filtering using TFIDF and SVD, Collaborative Filtering using TFIDF and SVD, Surprise Library based recommendation system technology. Apart from that in this paper, we present a novel idea that applies machine learning techniques to construct a cluster for the movie based on genres and then observes the inertia value number of clusters were defined. The constraints of the approaches discussed in this work have been described, as well as how one strategy overcomes the disadvantages of another. The whole work has been done on the dataset Movie Lens present at the group lens website which contains 100836 ratings and 3683 tag applications across 9742 movies. These data were created by 610 users between March 29, 1996, and September 24, 2018.

研究の動機と目的

• 複数のフィルタリング手法を統合した統一された映画推薦システムの設計および実装を目的とする。
• 個々の推薦アプローチ（コンテンツベース、協調フィルタリング、クラスタリング）の強みと限界を評価することを目的とする。
• ジャンルと慣性に基づく新しいクラスタリング戦略を導入し、クラスタ数の最適化を図ることを目的とする。
• 実世界のデータセットを用いて、多様な推薦アルゴリズムのパフォーマンスを比較することを目的とする。
• 推薦システムにおけるコールドスタート問題とスパarsity問題を緩和する包括的なフレームワークを提供することを目的とする。

提案手法

• 本システムは、映画の特徴量をTF-IDFでベクトル化し、次にSVDを用いて次元削減と潜在的要因モデル化を実施するコンテンツベースフィルタリングを採用する。
• 協調フィルタリングは、ピアソン相関係数とコサイン類似度を用いてユーザー・アイテム間の類似度を測定することで実装される。
• K-Nearest Neighbors（KNN）を用いて、類似したユーザーまたはアイテムのプロファイルに基づきレーティングを予測する。
• 新規のクラスタリング手法では、映画をジャンルごとにグループ化し、インertiaを用いたエルボー法により最適なクラスタ数を特定する。
• 協調フィルタリングモデルの実装およびベンチマークにはSurpriseライブラリが使用された。
• すべての手法は、1996年から2018年までをカバーする、100,836件のレーティング、3,683件のタグ、9,742本の映画、610名のユーザーを含むMovieLensデータセットを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 MovieLensデータセットにおいて、異なる推薦手法（コンテンツベース、協調フィルタリング、クラスタリング）の精度と頑健性はどのように比較されるか？
• RQ2 ジャンルベースのクラスタリングに慣性最適化を適用することで、推薦パフォーマンスとクラスタの安定性は向上するか？
• RQ3 個々の推薦戦略の主な限界は何か。ハイブリッド統合によってそれらはどのように緩和されるか？
• RQ4 TF-IDF、SVD、協調フィルタリングの組み合わせが、全体の推薦品質をどのように向上させるか？
• RQ5 ジャンルとインertia分析に基づく映画グループ化における最適なクラスタ数は何か？

主な発見

• ハイブリッド推薦システムは、コンテンツベースと協調フィルタリングの長所を統合することで、個々の手法を上回る性能を示した。
• ジャンルベースのクラスタリングにインertiaを適用することで、最適なクラスタ数の特定が可能となり、推薦グループの安定性と解釈可能性が向上した。
• SVDを用いた次元削減は、ノイズ低減に効果的であり、コンテンツベースおよび協調フィルタリングモデルの両方のパフォーマンス向上に寄与した。
• ピアソン相関とコサイン類似度を用いた協調フィルタリングは、ユーザー・アイテム相互作用が濃い領域において特に優れたレーティング予測性能を示した。
• KNNベースのアプローチは、類似したユーザーまたはアイテムのプロファイルを活用することで、スパースデータの処理において頑健性を示した。
• 本システムは、実世界のデータセット上で複数のアルゴリズム戦略を統合することで、コールドスタート問題とスパarsity問題を効果的に緩和した。