[論文レビュー] Explainable Entity-based Recommendations with Knowledge Graphs

Rose Catherine, Kathryn Mazaitis+2 more|arXiv (Cornell University)|Jul 12, 2017

Topic Modeling参考文献 11被引用数 26

ひとこと要約

本稿では、知識グラフを用いて、トレーニングを必要としない新規の方法を提案する。この方法は、個人向けページランク（Personalized PageRank）を用いてアイテムと知識グラフエンティティを同時にランク付けすることで、説明可能でエンティティベースのレコメンデーションを生成する。アプローチは、ユーザーの好みとグラフ構造の事実を活用し、意味的に関連するエンティティから派生する解釈可能な説明を伴う順位付けレコメンデーションを生成する。

ABSTRACT

Explainable recommendation is an important task. Many methods have been proposed which generate explanations from the content and reviews written for items. When review text is unavailable, generating explanations is still a hard problem. In this paper, we illustrate how explanations can be generated in such a scenario by leveraging external knowledge in the form of knowledge graphs. Our method jointly ranks items and knowledge graph entities using a Personalized PageRank procedure to produce recommendations together with their explanations.

研究の動機と目的

• 知識グラフベースのレコメンデーションシステムにおける説明生成の欠如に対処すること。
• ユーザーのレビューまたはテキストフィードバックが利用できない状況でも説明生成を可能にすること。
• アイテムと知識グラフエンティティを同時にランク付けすることで、レコメンデーションと解釈可能な根拠を同時に生成すること。
• ユーザーのエンティティに関するフィードバックを通じて、動的で対話型のレコメンデーションの精錬を可能にすること。
• 新規ドメインへの迅速な適応が可能な、デプロイ可能でトレーニングを必要としないフレームワークを提供すること。

提案手法

• ProPPR（Personalized PageRankをプログラミングする）を用いて、知識グラフ上で論理的ルールを照会・根拠づけ、アイテムとエンティティの両方のランク付けを実行する。
• ルールを用いてエンティティ間の再帰的類似度を定義する：同一性（sim(X,X)）と経路ベース類似度（sim(X,E) ← link(X,Z), sim(Z,E)）。
• ユーザーの好みを予測するための2つのルールセットを適用する：エンティティまたはアイテムの明示的な好ましさ/不快感に基づく 'willLike' と 'willDislike'。
• ユーザーがエンティティ（例：トム・ハンクス）やアイテム（例：ダ・ヴィンチ・コード）を好む・好まないというフィードバックを提供することで、関連するエンティティやアイテムの好みを推論する。
• willLike(U,E,M)述語から始めて個人向けページランクを実行し、候補となるレコメンデーションと説明のスコアを算出する。
• 各映画について '好む' スコアの合計と '嫌う' スコアの差を計算し、最終スコアへのエンティティの統合的寄与度に基づいてエンティティを順位付けする。

実験結果

リサーチクエスチョン

• RQ1 ユーザーのレビューまたはテキストフィードバックが一切存在しない状況でも、知識グラフベースのレコメンデーションに対して説明を生成できるか？
• RQ2 アイテムとエンティティを同時にランク付けすることで、レコメンデーションの説明としての解釈可能な根拠をどのように得られるか？
• RQ3 論理的ルールと個人向けページランクに基づくトレーニングを必要としない手法が、正確で説明可能なレコメンデーションを生成できるか？
• RQ4 ユーザーがエンティティ（例：トム・ハンクス）を好むフィードバックが、知識グラフを通じてどのように伝播し、アイテムレコメンデーションの説明として現れるか？
• RQ5 ユーザーがエンティティに関するフィードバックを提供することで、対話型のレコメンデーションの精錬をサポートできるか？

主な発見

• 本手法は、レビューテキストを一切必要とせず、事実としての知識グラフのリンクとユーザーの好みのみを用いて、レコメンデーションの説明を効果的に生成できた。
• トム・ハンクスと *ダ・ヴィンチ・コード* を好むユーザー 'alice' のサンプルの根拠付け結果として、スコア付きの統合順位付けが得られ、*スパイの橋*（0.7）、*インフェルノ*（0.2）、*スノーデン*（0.3）となった。
• 『犯罪映画』が嫌いなため、*インフェルノ* には負のスコア（−0.2）が割り当てられ、最終的なレコメンデーションスコアに反映された。
• 『トム・ハンクス』や『ドラマ・スリラー』といったエンティティが、*スパイの橋* の推薦の主な理由として特定され、説明可能性が裏付けられた。
• 本手法は実世界の環境でもデプロイ可能であり、現在、IMDb由来の知識グラフを用いたモバイル個人アシスタントで映画レコメンデーションに活用されている。
• 本手法は対話型の精錬をサポートする。例えば、エンティティの好みの調整によって気分を変更するなど、対話ベースのレコメンデーションシステムに適している。