[論文レビュー] Context-Aware Service Recommendation System for the Social Internet of Things

Amar Khelloufi, Huansheng Ning+3 more|arXiv (Cornell University)|Aug 14, 2023

Digital Marketing and Social MediaSocial Sciences被引用数 3

ひとこと要約

本稿では、因子分解マシンを用いて高次元特徴相互作用をモデル化するレビュー基盤型およびエンゲージメント基盤型特徴学習を統合することで、文脈認識型サービス推薦を実現するSIoT向けCASR-SIoTを提案する。このフレームワークは、デバイス-サービスペアにおける文脈的および潜在的特徴相互作用を効果的に捉えることで、ベースライン手法に比べて再現率で12.5%、精度で19.46%向上する。

ABSTRACT

The Social Internet of Things (SIoT) enables interconnected smart devices to share data and services, opening up opportunities for personalized service recommendations. However, existing research often overlooks crucial aspects that can enhance the accuracy and relevance of recommendations in the SIoT context. Specifically, existing techniques tend to consider the extraction of social relationships between devices and neglect the contextual presentation of service reviews. This study aims to address these gaps by exploring the contextual representation of each device-service pair. Firstly, we propose a latent features combination technique that can capture latent feature interactions, by aggregating the device-device relationships within the SIoT. Then, we leverage Factorization Machines to model higher-order feature interactions specific to each SIoT device-service pair to accomplish accurate rating prediction. Finally, we propose a service recommendation framework for SIoT based on review aggregation and feature learning processes. The experimental evaluation demonstrates the framework's effectiveness in improving service recommendation accuracy and relevance.

研究の動機と目的

• 既存のSIoT推薦システムがサービスレビューの文脈的提示を無視し、潜在的特徴相互作用をモデル化できないというギャップを解消すること。
• デバイス-サービスペアのレビュー基盤型およびエンゲージメント基盤型特徴学習を統合することで、推薦精度を向上させること。
• ユーザーのレビューおよびサービス文書から関連する意味的情報を抽出するための選択的層の有効性を評価すること。
• 動的SIoT環境におけるハイパーパrameter設定の推薦性能への影響を調査すること。
• 社会的関係、文脈的情報、マルチモーダル特徴を統合したパーソナライズドサービス推薦のためのフレームワークを構築すること。

提案手法

• SIoT内でのデバイス-デバイス関係を要約し、潜在的特徴相互作用を捉えるための潜在的特徴結合技術を提案する。
• 各デバイス-サービスペアに特化した高次元特徴相互作用をモデル化するため、因子分解マシンを採用し、正確なレーティング予測を実現する。
• ユーザーのレビューおよびサービス文書から関連する意味的情報を抽出・優先順位を付けるための選択的層を備えたレビュー基盤型特徴学習コンponentを導入する。
• エンゲージメント基盤型およびレビュー基盤型特徴学習を統合し、包括的なデバイス-サービス表現を生成する。
• SIoTにおけるデバイスおよびユーザー間の社会的関係と好みをモデル化する、知識グラフに類似した構造を採用する。
• マルチモーダルデータ、社会的相関、文脈要因を統合するハイブリッド学習アーキテクチャを採用し、推薦の関連性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 レビュー基盤型およびエンゲージメント基盤型特徴学習の統合は、SIoTにおけるサービス推薦のパフォーマンスにどのように影響するか？
• RQ2 異なるハイパーパrameter設定は、推薦システムの正確性および有効性にどのような影響を及えるか？
• RQ3 レビュー基盤型特徴学習プロセスにおいて、選択的層がデバイス-サービスペアから関連する意味的情報を特定するのにどの程度有効であるか？
• RQ4 提案されたフレームワークは、多様なデータセットにおいて、精度、再現率、F1スコアの観点から、既存のベースラインモデルをどの程度上回るか？
• RQ5 大規模なSIoT環境における動的かつスパースなデータに対して、このフレームワークはどの程度効果的に対処できるか？

主な発見

• CASR-SIoTフレームワークは、3つのデータセットすべてにおいてベースライン手法を上回り、LRベースのベースラインに比べて再現率で12.50%、精度で19.46%の向上を達成した。
• レビュー基盤型特徴学習コンponentにおける選択的層の削除は顕著なパフォーマンス低下を引き起こし、関連する意味的特徴を特定する上でその重要性を裏付けた。
• FMベースのモデルは最低のパフォーマンス（F1: 0.7423）を示し、統合された特徴学習コンponentがなければ、因子分解マシン単体では不十分であることが示された。
• 家電、携帯電話、電子機器のカテゴリにおいて、それぞれF1スコアが0.874、0.812、0.831を記録し、提案手法が優れたパフォーマンスを発揮した。
• エンゲージメント基盤型およびレビュー基盤型特徴学習の統合により、文脈認識型相互作用をモデル化する能力が著しく向上し、推薦の関連性が改善された。
• 結果から、サービスレビューおよび社会的関係の文脈認識モデリングが、動的SIoT環境におけるより正確でパーソナライズドな推薦を実現することを確認した。