[論文レビュー] Detecting Changes in User Preferences using Hidden Markov Models for Sequential Recommendation Tasks

Farzad Eskandanian, Bamshad Mobasher|arXiv (Cornell University)|Sep 29, 2018

Recommender Systems and Techniques参考文献 16被引用数 10

ひとこと要約

本稿では、ユーザーのインタラクション順序における変化点を検出するための隠れマルコフモデル（HMM）ベースのフレームワークを提案する。ユーザーの好みの変化を特定することで、セグメンテーションされた行列分解または直接的なHMMベースの順序付けを用いて推薦精度を向上させ、Spotifyプレイリストデータセットにおいて静的モデルを上回る。HMMRは、NDCGおよび精度・再現率スコアで最高を記録した。

ABSTRACT

Recommender systems help users find relevant items of interest based on the past preferences of those users. In many domains, however, the tastes and preferences of users change over time due to a variety of factors and recommender systems should capture these dynamics in user preferences in order to remain tuned to the most current interests of users. In this work we present a recommendation framework based on Hidden Markov Models (HMM) which takes into account the dynamics of user preferences. We propose a HMM-based approach to change point detection in the sequence of user interactions which reflect significant changes in preference according to the sequential behavior of all the users in the data. The proposed framework leverages the identified change points to generate recommendations in two ways. In one approach change points are used to create a sequence-aware non-negative matrix factorization model to generate recommendations that are aligned with the current tastes of user. In the second approach the HMM is used directly to generate recommendations taking into account the identified change points. These models are evaluated in terms of accuracy of change point detection and also the effectiveness of recommendations using a real music streaming dataset.

研究の動機と目的

• 従来の推薦システムが時間経過に伴う動的ユーザー好みを捉える能力に制限を抱えていることに対処すること。
• 明示的な文脈信号なしに、順序的なインタラクションデータ内でのユーザー行動の顕著なシフト（変化点）を同定すること。
• 検出された変化点を活用して、現在のユーザーの好みに適合した推薦を提供することで、推薦精度を向上させること。
• 実世界の音楽ストリーミングデータを用いて、変化点検出の正確さと推薦効果の両方を評価すること。

提案手法

• 隠れマルコフモデル（HMM）を用いてユーザーのインタラクション順序をモデル化し、隠れ状態が潜在的な好み状態を表す。
• 拡張されたビタビアルゴリズムを適用して、隠れ状態間の遷移に基づき、ユーザーのインタラクション順序における変化点を検出する。
• 検出された変化点でユーザープロファイルをセグメンテーションし、非負の行列分解（NMF）モデルに供給して順序推薦を実行する。
• HMMの発生確率を直接的に使用してアイテム推薦を生成し、好み状態ごとのアイテムの尤もらしさをモデル化する。
• 変化点検出の正確さを評価するために、合成された混合順序列におけるプレイリスト境界から導出された正解データを用いたデバイアシンドエラーを用いる。
• 推薦効果の評価に精度、再現率、NDCGを用い、NDCGは時系列順序を反映するようにタイムアウェアである。

実験結果

リサーチクエスチョン

• RQ1 HMMベースの変化点検出は、順序的なインタラクションデータからユーザー好みのシフトを効果的に同定できるか？
• RQ2 検出された変化点を組み込むことで、静的モデルと比較して順序推薦の正確性がどのように向上するか？
• RQ3 HMMにおける隠れ状態数を変化させた場合、変化点検出の正確性にどのような影響を与えるか？
• RQ4 提案されたHMMベースの推薦手法は、ベースラインの静的および順序モデルと比較して、順序付け性能においてどのように差を示すか？

主な発見

• HMMに2つの隠れ状態を用いたHMCD-S2と、10つの隠れ状態を用いたHMCD-S10の両方とも、ベースラインの変化点検出手法を上回るデバイアシンドエラーを示した。
• HMMにおける隠れ状態数を増加させると、デバイアシンドエラーが上昇した。これは、プレイリストベースのデータに限られた数の変化点とその一意性があるためと推定される。
• HMMRモデル（発生確率を直接推薦に使用）は、全評価モデルの中で最高のNDCGおよび精度・再現率スコアを達成した。
• 10つの隠れ状態を用いたSMF（HMMによるセグメンテーション付き）は、他のモデルを上回った。これは、変化点を考慮したセグメンテーションが推薦精度を向上させることを示している。
• 動的好みモデルを組み込まない静的モデルは一貫して性能が低く、好みの進化を捉えることの重要性を強調している。