[論文レビュー] Context Tree for Adaptive Session-based Recommendation

Fei Mi, Boi Faltings|arXiv (Cornell University)|Jun 10, 2018

Recommender Systems and Techniques参考文献 27被引用数 8

ひとこと要約

本稿では、変動オーダーのマルコフモデルを活用して、順序パターンを効率的に学習し、観測数が限られた新しいアイテムにも適応できるようにする、適応型セッションベース推薦のためのコンテキストツリー（CT）モデルを提案する。CTは、特に新しいアイテムが頻繁に登場する適応的状況において、RNN やヒューリスティックな近隣探索法を凌駕し、長時間のセッションや新規コンテンツにおいて優れた性能を示す。

ABSTRACT

There has been growing interests in recent years from both practical and research perspectives for session-based recommendation tasks as long-term user profiles do not often exist in many real-life recommendation applications. In this case, recommendations for user's immediate next actions need to be generated based on patterns in anonymous short sessions. An often overlooked aspect is that new items with limited observations arrive continuously in many domains (e.g. news and discussion forums). Therefore, recommendations need to be adaptive to such frequent changes. In this paper, we benchmark a new nonparametric method called context tree (CT) against various state-of-the-art methods on extensive datasets for session-based recommendation task. Apart from the standard static evaluation protocol adopted by previous literatures, we include an adaptive configuration to mimic the situation when new items with limited observations arrives continuously. Our results show that CT outperforms two best-performing approaches (recurrent neural network; heuristic-based nearest neighbor) in majority of the tested configurations and datasets. We analyze reasons for this and demonstrate that it is because of the better adaptation to changes in the domain, as well as the remarkable capability to learn static sequential patterns. Moreover, our running time analysis illustrates the efficiency of using CT as other nonparametric methods.

研究の動機と目的

• 長期的なユーザープロファイルが存在しないセッションベースの推薦システムにおける関連アイテムの推薦という課題に対処すること。
• 静的設定だけでなく、観測数が限られた新しいアイテムが継続的に到着する動的環境においても、推薦モデルの性能を評価すること。
• 非パrametric手法（例：CT）が、効率的な更新と適応能力を備えているため、動的推薦環境に適していることを示すこと。
• GRU4Rec や SKNN、Online-MF などの最先端モデルと比較し、静的および適応的評価プロトコルの両方において、多様なデータセットを用いてCTの性能をベンチマークすること。
• CTが、静的順序パターンの学習と、観測数が少ない新規アイテムへの迅速な適応を効果的に統合できることを示すこと。

提案手法

• 元来損失なしデータ圧縮に設計された非パrametric構造であるコンテキストツリー（CT）を、セッションベース推薦に応用する。
• 変動オーダーのマルコフモデルを用いて、ユーザーセッション内の順序的依存関係を捉える。ここで、文脈長はデータの可用性に応じて適応的に変化する。
• 新しいアイテムやセッションパターンに伴い動的に成長するツリー構造に、遷移確率を格納・更新する。
• 観測されたアイテムシーケンスに対応するツリー内のパスのみを変更することで、フル再トレーニングを回避し、効率的なモデル更新を実現する。
• ツリー内の共有文脈を活用することで、古い知識と新しい知識を統合し、新規アイテムへの高速な推論と適応を可能にする。
• CTの評価を、標準的な静的評価と、新しいアイテムが継続的に到着する状況を模擬する新規な適応的評価の2つの設定で行う。

実験結果

リサーチクエスチョン

• RQ1 標準的な静的評価設定において、CTモデルはGRU4Rec や SKNN などの最先端手法（例：RNN、KNN）と比較して、どのように性能を発揮するか？
• RQ2 CTは、観測数が限られた動的環境において、新規アイテムに効果的に適応できるか？ 他の非パrametricおよびパラメトリックモデルと比較して、その性能はいかがなものか？
• RQ3 CTが変動オーダーの順序パターンを学習できることにより、特に長時間のセッションにおいて、どの程度性能向上が見られるか？
• RQ4 推薦されたアイテムの新鮮さ（アイテム作成後からの経過時間）と、推薦性能の相関関係は、異なるモデル間でどのように変化するか？
• RQ5 実世界の適応的推薦システムにおいて、モデルの適応性、推論効率、性能の間には、どのようなトレードオフが生じるか？

主な発見

• CTは、多数のテストデータセットおよび設定において、2つの主要な手法（GRU4Rec および SKNN）を上回り、特に新規アイテムが頻繁に登場する適応的状況で顕著な優位性を示す。
• 適応的評価において、CTはOnline-MF よりも顕著に新規アイテムを多く推薦しており、ECDFではアイテムの新鮮さが高くなるにつれて推薦頻度が急激に上昇していることが示された。
• CTは、すべての新鮮さレベルで安定した性能を維持しており、特に長時間のセッション（例：MOOCデータセット）において、SKNN や GRU4Rec よりも新規アイテムの推薦で優れた性能を発揮した。
• CTの条件付き成功確率 P(Success|Freshness) は、極めて新しいアイテムに対しても高い水準を維持しており、スパースデータや変化するアイテムプールへの強い適応能力を示している。
• 実行時間の分析から、CTは計算的にも効率的であることが確認され、トレーニングおよび更新時間が短く、動的環境における産業的導入に適している。
• RNN（例：GRU4Rec）は、十分なデータがある長時間のセッションでは優れた性能を発揮するが、観測数が少ない新規アイテムに対しては一般化能力に欠け、適応的状況における非パラメトリック手法の優位性が顕著に現れている。