[論文レビュー] Efficient Probabilistic Inference with Partial Ranking Queries

Jonathan Huang, Ashish Kapoor+1 more|arXiv (Cornell University)|Feb 14, 2012

Game Theory and Voting Systems参考文献 8被引用数 3

ひとこと要約

この論文は、順序付け分布をモデル化するための構造的仮定として、ランク付けの部分的クエリに効率的な確率的推論を可能にする『リッフルド独立性因子分解』を提案している。部分的順序付けクエリは、好みモデル化や推薦システムにおいて一般的である。アイテムのリッフルド（交互に混在した）サブセットにおける条件付き独立性を活用することで、ブルートフォース手法に比べて顕著な計算上の利点を達成しつつ、順序付け推論タスクの精度を維持する。

ABSTRACT

Distributions over rankings are used to model data in various settings such as preference analysis and political elections. The factorial size of the space of rankings, however, typically forces one to make structural assumptions, such as smoothness, sparsity, or probabilistic independence about these underlying distributions. We approach the modeling problem from the computational principle that one should make structural assumptions which allow for efficient calculation of typical probabilistic queries. For ranking models, "typical" queries predominantly take the form of partial ranking queries (e.g., given a user's top-k favorite movies, what are his preferences over remaining movies?). In this paper, we argue that riffled independence factorizations proposed in recent literature [7, 8] are a natural structural assumption for ranking distributions, allowing for particularly efficient processing of partial ranking queries.

研究の動機と目的

• 階層的順序付け空間の階乗サイズによる完全な順序付け分布推論の計算的非効率性に対処すること。
• 順序付けシステムにおける一般的な確率的クエリを効率的に処理できる構造的仮定を同定すること。
• リッフルド独立性を自然かつ効果的な因子分解として形式化し、部分的順序付けクエリに対して評価すること。
• このアプローチが、既存の手法よりもスケーリングに優れており、推論精度を損なわないことを示すこと。

提案手法

• 論文は、アイテムの互いに素なサブセット上で条件付き独立な成分に分解する『リッフルド独立性因子分解』を導入している。
• 順序付けを、リッフルド（交互に混在した）アイテム集合上の独立な順列の組み合わせとしてモデル化することで、連合分布モデルの複雑さを低減している。
• 部分順序付け（例：上位k順）が与えられた場合に、残りのアイテムに関する事後分布を計算するために条件付き確率の伝播を用いている。
• リッフルド独立性の構造を活用することで、すべての可能な完全順序付けを列挙する必要を避け、計算コストを著しく削減している。
• 動的計画法をリッフルド成分上で用いることで、観測されていないアイテムの周辺確率を効率的に計算する。
• 合成および実世界の好みデータセットを用いた実験的評価により、本手法のスケーラビリティと精度が検証されている。

実験結果

リサーチクエスチョン

• RQ1 リッフルド独立性因子分解は、大規模な順序付けモデルにおける部分的順序付けクエリのための効率的推論を可能にするか？
• RQ2 リッフルド独立性の下での推論の計算複雑度は、標準的な順序付けモデルと比べてどのように異なるか？
• RQ3 部分的順序付けが与えられた場合に、本手法は観測されていない好みの予測においてどの程度の精度を維持するか？
• RQ4 リッフルド独立性の構造的仮定は、多様な好みデータセットに一般化しやすいか？

主な発見

• 本手法は、完全な列挙や標準的な確率的モデルと比較して、推論時間に顕著な高速化を達成している。
• リッフルド独立性因子分解により、完全な順序付けの列挙を必要とせずに、部分的順序付けにおける正確な推論が可能である。
• 上位k順の順序付けしか観測されていなくても、本手法は欠落した好みの予測において高い精度を維持している。
• 実験的結果から、本手法はより大きなアイテム集合に対しても効果的にスケーリングでき、速度および精度の両面でベースラインモデルを上回っている。