[論文レビュー] Disentangled Item Representation for Recommender Systems

Zeyu Cui, Feng Yu+3 more|arXiv (Cornell University)|Aug 17, 2020

Recommender Systems and Techniques参考文献 38被引用数 6

ひとこと要約

本稿では、アイテムをカテゴリ、スタイル、価格などの各属性ごとに別々で学習可能なベクトルとしてモデル化する、分離可能なアイテム表現（DIR）を提案する。単一の統合された潜在ベクトルではなく、属性レベルの表現を学習することで、特にコールドスタート状況において推薦性能を向上させるとともに、モデルパラメータを削減し、解釈可能な説明を可能にする。実世界のデータセットにおいて、最先端の手法を上回る性能を発揮する。

ABSTRACT

Item representations in recommendation systems are expected to reveal the properties of items. Collaborative recommender methods usually represent an item as one single latent vector. Nowadays the e-commercial platforms provide various kinds of attribute information for items (e.g., category, price and style of clothing). Utilizing these attribute information for better item representations is popular in recent years. Some studies use the given attribute information as side information, which is concatenated with the item latent vector to augment representations. However, the mixed item representations fail to fully exploit the rich attribute information or provide explanation in recommender systems. To this end, we propose a fine-grained Disentangled Item Representation (DIR) for recommender systems in this paper, where the items are represented as several separated attribute vectors instead of a single latent vector. In this way, the items are represented at the attribute level, which can provide fine-grained information of items in recommendation. We introduce a learning strategy, LearnDIR, which can allocate the corresponding attribute vectors to items. We show how DIR can be applied to two typical models, Matrix Factorization (MF) and Recurrent Neural Network (RNN). Experimental results on two real-world datasets show that the models developed under the framework of DIR are effective and efficient. Even using fewer parameters, the proposed model can outperform the state-of-the-art methods, especially in the cold-start situation. In addition, we make visualizations to show that our proposition can provide explanation for users in real-world applications.

研究の動機と目的

• 細分化されたアイテム属性を捉えることができない単一ベクトルのアイテム表現の限界を解消すること。
• 共通の属性ベクトルを用いてアイテムをモデル化することで、モデルパラメータを削減し、コールドスタート問題を軽減すること。
• アイテムの属性を別々で学習可能なベクトルに分離することで、解釈可能な推薦を可能にすること。
• 属性ベクトルとアイテムの割り当てを交互に最適化する一般化可能な学習フレームワーク（LearnDIR）を開発すること。
• MFおよびRNNを含む多様なモデルにおいて、実世界の推薦タスクにおいてDIRの有効性を示すこと。

提案手法

• アイテムを1つの潜在ベクトルではなく、複数の属性ベクトル（例：カテゴリ、スタイル、価格）の組み合わせとして表現する。
• 同一の明示的属性を持つアイテムを区別できるように、暗黙の属性ベクトルを導入する。これにより、一意の表現が可能になる。
• 属性ベクトルとアイテムの割り当てを交互に最適化する交替的最適化アルゴリズムであるLearnDIRを提案する。
• 協調フィルタリングのため、行列分解（DIR-MF）と再帰ニューラルネットワーク（DIR-RNN）にDIRを適用する。
• 各アイテムが明示的・暗黙の属性によって定義される固有のセルに割り当てられる、テンソルのような構造を用いて属性ベクトルを整理する。
• 確率的勾配降下法を用いてモデルを学習し、定期的に再割り当てステップを実行してアイテム-属性の割り当てを最適化する。

実験結果

リサーチクエスチョン

• RQ1 従来の単一ベクトルのアイテム埋め込みと比較して、分離された属性レベルの表現は推薦精度を向上させるか？
• RQ2 DIRは性能を維持または向上させつつ、どの程度モデルパラメータを削減できるか？
• RQ3 新規または稀に相互作用があるアイテムに対して、DIRはコールドスタート問題をどの程度軽減できるか？
• RQ4 個々の属性の寄与を露わにすることで、DIRは解釈可能な推薦を提供できるか？
• RQ5 暗黙の属性ベクトルの数は、モデルの性能と収束にどの程度影響を与えるか？

主な発見

• DIR-MFおよびDIR-RNNは、エレクトロニクスおよび衣料品のデータセットにおいて、最先端の手法を上回ったが、パラメータ数は少ない。
• エレクトロニクスデータセットでは、DIR-MF（3属性）がAUC 0.7644を達成し、2属性バージョンの0.7585を上回った。
• エレクトロニクスデータセットにおいて、3属性のDIR-RNNはAUC 0.8568を達成し、2属性バージョン（0.8548）をわずかに上回った。
• 3属性のDIR-RNNモデルは、2属性バージョンの0.2720Mパラメータに対して、わずか0.1743Mパラメータで実現した。
• モデルは約3回の再割り当て後に収束し、アイテム再割り当ての3イテレーション目で性能がピークに達した。
• 可視化結果から、DIRが特定の属性が予測に与える影響を明確に示しており、解釈可能な推薦を提供していることが確認された。