[論文レビュー] Cross-Domain Recommendation for Cold-Start Users via Neighborhood Based Feature Mapping

Xinghua Wang, Zhaohui Peng+4 more|arXiv (Cornell University)|Mar 5, 2018

Recommender Systems and Techniques参考文献 17被引用数 4

ひとこと要約

本稿では、ターゲットドメインにレーティングが一切ないコールドスタートユーザーを対象としたクロスドメインレコメンデーションを目的とした、新しいモデルであるクロスドメイン潜在特徴マッピング（CDLFM）を提案する。まず、マトリックス因子分解にユーザ類似度を組み合わせたMFUS（Matrix Factorization with User Similarities）を用いてスパースドメインにおけるユーザ表現を向上させ、次に、補助ドメインの類似ユーザから、近傍に基づく勾配ブースティングツリー（GBT）マッピング関数を学習し、ターゲットドメインの好みを予測する。実際のAmazonデータセット上で、最先端の手法を上回る性能を示した。

ABSTRACT

Collaborative Filtering (CF) is a widely adopted technique in recommender systems. Traditional CF models mainly focus on predicting a user's preference to the items in a single domain such as the movie domain or the music domain. A major challenge for such models is the data sparsity problem, and especially, CF cannot make accurate predictions for the cold-start users who have no ratings at all. Although Cross-Domain Collaborative Filtering (CDCF) is proposed for effectively transferring users' rating preference across different domains, it is still difficult for existing CDCF models to tackle the cold-start users in the target domain due to the extreme data sparsity. In this paper, we propose a Cross-Domain Latent Feature Mapping (CDLFM) model for cold-start users in the target domain. Firstly, in order to better characterize users in sparse domains, we take the users' similarity relationship on rating behaviors into consideration and propose the Matrix Factorization by incorporating User Similarities (MFUS) in which three similarity measures are proposed. Next, to perform knowledge transfer across domains, we propose a neighborhood based gradient boosting trees method to learn the cross-domain user latent feature mapping function. For each cold-start user, we learn his/her feature mapping function based on the latent feature pairs of those linked users who have similar rating behaviors with the cold-start user in the auxiliary domain. And the preference of the cold-start user in the target domain can be predicted based on the mapping function and his/her latent features in the auxiliary domain. Experimental results on two real data sets extracted from Amazon transaction data demonstrate the superiority of our proposed model against other state-of-the-art methods.

研究の動機と目的

• ターゲットドメインに履歴レーティングのないコールドスタートユーザーに対してレコメンデーションを提供する課題に対処すること。
• 観測済みレーティングを超えたユーザ類似度関係を統合することで、スパースドメインにおけるユーザ表現を向上させること。
• 補助ドメインからターゲットドメインへの有効な知識移行を、パーソナライズされた近傍ベースの特徴マッピング関数を用いて実現すること。
• コールドスタートユーザレコメンデーションの精度において、既存のクロスドメインコラボラティブフィルタリング手法を上回ること。

提案手法

• ユーザ類似度の3つの測定値（共通レーティング、レーティングパターン、レーティングバイアス）をマトリックス因子分解フレームワークに統合した、マトリックス因子分解にユーザ類似度を組み合わせたMFUS（Matrix Factorization with User Similarities）を提案する。
• 潜在的特徴の補助ドメインからターゲットドメインの予測潜在特徴への高次元かつ非線形なマッピング関数を勾配ブースティングツリー（GBT）を用いて学習する。
• 各コールドスタートユーザに対して、補助ドメインにおける類似レーティング行動を示すユーザの近傍を特定し、マッピング関数をパーソナライズする。
• 3つの類似度測定値（ρ₁, ρ₂, ρ₃）の重み付き組み合わせを用いて、MFUSにおける異なる行動パターンの影響を動的に調整する。
• MFUSパラメータの効率的最適化のため、バックトラッキングラインサーチを適用し、ハイパーパrameter γ₁, γ₂, γ₃, σ および ρ₁, ρ₂, ρ₃ をグリッドサーチで最適化する。
• 近傍サイズを制御するための類似度しきい値（sim）を用い、類似度が十分に高いユーザのみがマッピング関数に寄与するようにする。

実験結果

リサーチクエスチョン

• RQ1 マトリックス因子分解にユーザ類似度関係を組み込むことで、スパースドメインにおける潜在的特徴表現が向上するか？
• RQ2 補助ドメインから、レーティングが一切ないコールドスタートターゲットドメインへの有効な知識移行はどのように達成できるか？
• RQ3 グローバルマッピング関数と比較して、近傍ベースの勾配ブースティングツリー手法は、クロスドメイン特徴変換においてより効果的か？
• RQ4 推薦のためのユーザ行動モデリングにおいて、3つのユーザ類似度測定値の最適なバランスは何か？
• RQ5 モデルの性能は、類似度しきい値および近傍サイズの選択にどれほど敏感か？

主な発見

• CDLFMは、実世界のAmazonデータセットの両方で最低のMAEおよびRMSEを達成し、MF+GBTおよびTMatrixを上回り、コールドスタートクロスドメインレコメンデーションにおける優位性を示した。
• β > 0 のMFUSは、標準的なMFを一貫して上回り、ユーザ類似度を統合することで単一ドメインのレーティング予測が向上することを示した。
• MFUSの最適なパフォーマンスは β = 0.005 および K = 20 で達成され、K や β の値が高くなると過学習のため性能が低下した。
• 最良の類似度重み組み合わせ（ρ₁=0.6, ρ₂=0.2, ρ₃=0.2）は、最低のRMSE（1.027）およびMAE（0.766）をもたらし、3つの類似度測定値のすべての価値を確認した。
• 類似度しきい値（sim）を上げることでモデル性能が向上し、sim=0.5 で平坦な結果となったのは、近傍が十分に得られなかったためであり、近傍の質が重要であることを示唆した。
• 近傍ベースのGBTマッピング関数は、グローバルマッピングを著しく上回り、パーソナライズされた行動ベースの移行が、汎用モデルよりも効果的であることを証明した。