[論文レビュー] Explainable Recommendation: Theory and Applications

Yongfeng Zhang|arXiv (Cornell University)|Aug 21, 2017

Recommender Systems and Techniques参考文献 290被引用数 10

ひとこと要約

本稿は、データ、モデル、経済的説明可能性の3つの側面に取り組む包括的な説明可能レコメンデーションフレームワークを提案する。局所化された行列分解（Localized Matrix Factorization, LMF）を用いた解釈可能な協調フィルタリング、フレーズレベルのセンチメント分析を用いて特徴別ユーザーの意見を抽出する明示的要因モデル（Explicit Factor Models, EFM）、および経済理論に基づく全利益最大化（Total Surplus Maximization, TSM）フレームワークを導入し、レコメンデーションの有用性を最適化する。主な貢献は、解釈可能でユーザー中心の説明を通じて、レコメンデーションシステムにおける透明性と信頼性を向上させる統合的アプローチである。

ABSTRACT

Although personalized recommendation has been investigated for decades, the wide adoption of Latent Factor Models (LFM) has made the explainability of recommendations a critical issue to both the research community and practical application of recommender systems. For example, in many practical systems the algorithm just provides a personalized item recommendation list to the users, without persuasive personalized explanation about why such an item is recommended while another is not. Unexplainable recommendations introduce negative effects to the trustworthiness of recommender systems, and thus affect the effectiveness of recommendation engines. In this work, we investigate explainable recommendation in aspects of data explainability, model explainability, and result explainability, and the main contributions are as follows: 1. Data Explainability: We propose Localized Matrix Factorization (LMF) framework based Bordered Block Diagonal Form (BBDF) matrices, and further applied this technique for parallelized matrix factorization. 2. Model Explainability: We propose Explicit Factor Models (EFM) based on phrase-level sentiment analysis, as well as dynamic user preference modeling based on time series analysis. In this work, we extract product features and user opinions towards different features from large-scale user textual reviews based on phrase-level sentiment analysis techniques, and introduce the EFM approach for explainable model learning and recommendation. 3. Economic Explainability: We propose the Total Surplus Maximization (TSM) framework for personalized recommendation, as well as the model specification in different types of online applications. Based on basic economic concepts, we provide the definitions of utility, cost, and surplus in the application scenario of Web services, and propose the general framework of web total surplus calculation and maximization.

研究の動機と目的

• 潜在的要因モデルにおける説明可能性の欠如が、レコメンデーションシステムにおけるユーザーの信頼を損なうという問題に対処すること。
• Bordered Block Diagonal Form（BBDF）行列を用いた局所化された、並列化可能な因子分解を可能にする局所化された行列分解（LMF）の導入により、データレベルの説明可能性を実現すること。
• フレーズレベルのセンチメント分析を用いて製品の特徴別にユーザーの意見を抽出し、時間系列的手法を用いて動的なユーザーの好みをモデル化することで、モデルレベルの説明可能性を達成すること。
• Webサービスのレコメンデーション文脈において、有用性、コスト、利益を形式的に定式化する全利益最大化（TSM）フレームワークを構築し、経済的説明可能性を確立すること。
• データ、モデル、経済的側面の理論と応用を統合し、エンドツーエンドの説明可能なレコメンデーションを実現すること。

提案手法

• Bordered Block Diagonal Form（BBDF）行列を用いた局所化された行列分解（LMF）を提案し、並列化された局所的因子分解を可能にすることで、潜在的要因モデルのスケーラビリティと解釈可能性を向上させる。
• ユーザーのレビューに対してフレーズレベルのセンチメント分析を適用し、特徴別ユーザーの意見を抽出する明示的要因モデル（EFM）を導入する。
• 時間系列分析を用いてユーザーの好みの変化を時間的経過に伴ってモデル化し、ユーザーのセンチメントと関心の変化を追跡することで、モデルの説明可能性を向上させる。
• 経済的原則に基づく全利益最大化（TSM）フレームワークを開発し、Webサービス文脈における有用性、コスト、利益を定式化することで、レコメンデーションの最適化を支援する。
• LMF、EFM、TSMの3つのコンponentsを統合し、透明性・パーソナライズド性・経済的整合性を兼ね備えた統合アーキテクチャを構築する。
• 実世界のレコメンデーションシナリオにフレームワークを適用し、モデル仕様化と利益最大化を通じて、多様なオンラインアプリケーションへの適応可能性を実証する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして因子分解を局所化し、構造的行列形式を活用することで協調フィルタリングをより解釈可能にすることができるか？
• RQ2 フレーズレベルのセンチメント分析は、ユーザーの意見を特定の製品的特徴に結びつけることで、どの程度モデルの説明可能性を向上させることができるか？
• RQ3 ユーザーの好みの動的変化を時間的経過に伴ってどのようにモデル化できるか。これにより、レコメンデーション意思決定の解釈可能性がどのように向上するか？
• RQ4 有用性や利益最大化といった経済的原則を形式化し、より信頼性の高いレコメンデーションシステムの設計に応用することは可能か？
• RQ5 データ、モデル、経済的説明可能性を統合的に統合し、実用的導入を可能にする包括的フレームワークを構築するにはどうすればよいか？

主な発見

• 局所化された行列分解（LMF）フレームワークは、Bordered Block Diagonal Form（BBDF）行列を用いることで、並列化された効率的因子分解を実現し、潜在的要因モデルのスケーラビリティと解釈可能性を向上させる。
• 明示的要因モデル（EFM）は、フレーズレベルのセンチメント分析を用いてテキストレビューから特徴別ユーザーの意見を効果的に抽出し、レコメンデーションに対して詳細な属性レベルの説明を可能にする。
• 時間系列分析を用いた動的ユーザー好みのモデル化により、進化するユーザーの関心を捉え、レコメンデーションが時間経過に伴い適応し、変化を正当化できる。
• 全利益最大化（TSM）フレームワークは、レコメンデーションに形式的な経済的基盤を提供し、Webサービス文脈における有用性とコストを定式化し、利益に基づく最適化を可能にする。
• LMF、EFM、TSMを統合した統合フレームワークは、多様なアプリケーションに応用可能な信頼性・透明性・パーソナライズドなレコメンデーションシステムの構築の可能性を実証する。
• 提案されたフレームワークは169ページにわたる研究を通じて検証されており、すべてのコンponentsが実世界のレコメンデーションシステムへの実用的導入を想定して設計されている。