[論文レビュー] Explainable Restricted Boltzmann Machines for Collaborative Filtering

Behnoush Abdollahi, Olfa Nasraoui|arXiv (Cornell University)|Jun 22, 2016

Generative Adversarial Networks and Image Synthesis参考文献 9被引用数 26

ひとこと要約

本稿では、レーティング予測と説明可能性を1つの学習目的に統合する、説明可能な制限付きボルツマンマシン（E-RBM）を提案する。ユーザー基準の近隣スタイルの説明可能性スコアを追加の可視層として組み込むことで、外部データに依存せずに正確で解釈可能な推薦を生成する。E-RBMは、精度および説明可能性指標の両面でベースライン手法を上回る性能を発揮する。

ABSTRACT

Most accurate recommender systems are black-box models, hiding the reasoning behind their recommendations. Yet explanations have been shown to increase the user's trust in the system in addition to providing other benefits such as scrutability, meaning the ability to verify the validity of recommendations. This gap between accuracy and transparency or explainability has generated an interest in automated explanation generation methods. Restricted Boltzmann Machines (RBM) are accurate models for CF that also lack interpretability. In this paper, we focus on RBM based collaborative filtering recommendations, and further assume the absence of any additional data source, such as item content or user attributes. We thus propose a new Explainable RBM technique that computes the top-n recommendation list from items that are explainable. Experimental results show that our method is effective in generating accurate and explainable recommendations.

研究の動機と目的

• モデルベースの協調フィルタリングシステムにおける予測精度と解釈可能性のトレードオフを解消すること。
• アイテムのコンテンツやユーザー属性に依存せずに、ユーザー・アイテムのレーティングデータのみを用いて説明可能な推薦を生成する手法を開発すること。
• 説明可能性をRBMsの学習プロセスに直接統合し、推薦されたアイテムが正確かつ正当化可能なものであることを保証すること。
• レーティング空間におけるユーザー類似度と関連付けることで、透明性があり信頼できる推薦を可能にすること。

提案手法

• 本手法は、ユーザー基準の近隣類似度から導出される説明可能性スコアを表す追加の可視層'm'を備えた条件付きRBMsを導入する。
• 説明可能性スコアは、アイテムを高得点（≥閾値）で評価した類似ユーザーの割合として計算され、ユーザーのレーティングベクトル間のコサイン類似度を用いる。
• 隠れユニット、可視ユニット、および説明可能性ユニットの条件付き確率を用いて、結合確率分布をモデル化し、ロジスティック活性化関数を適用する。
• 学習はコントラスト型ダイバージェンス（CD）を用い、勾配更新によりWによるレーティング予測とDによる説明可能性の両方を最適化する。
• モデルは、正確なレーティング予測と高い説明可能性を同時に最適化し、推薦されたアイテムが正確に予測されるとともに、近隣ユーザーの行動によって正当化可能であることを保証する。
• 説明はユーザーに分かりやすい形式で生成される：「X人の類似ユーザーがこのアイテムを高く評価しました」。

実験結果

リサーチクエスチョン

• RQ1 レーティングデータのみを用いて、正確な推薦を提供するとともに、説明可能性を保証するRBMsベースの協調フィルタリングモデルを設計できるか？
• RQ2 外部データソースに依存せずに、説明可能性をRBMsの学習プロセスに定量的に統合する方法は何か？
• RQ3 RBMsの学習目的に説明可能性を統合することで、ベースライン手法と比較して推薦精度および説明可能性が向上するか？
• RQ4 アイテム特徴やユーザーの人口統計情報に依存せずに、レーティングパターンのみからユーザー基準の近隣スタイルの説明を効果的に生成できるか？

主な発見

• 隠れユニット数f > 20の場合、E-RBMは標準RBMsおよび他のベースライン手法と比較してRMSEが低く、より優れた性能を示す。
• f < 20の場合、E-RBMは他の手法よりも高いnDCG@10を達成し、トップ-n推薦性能が優れていることが示された。
• Mean Explainability Precision（MEP）およびMean Explainability Recall（MER）が顕著に向上し、推薦されたアイテムの説明可能性が強化されたことが確認された。
• テストユーザーの上位3件の推薦には、有効でユーザー基準の近隣スタイルの説明が付随しており、例として「10人の類似ユーザーのうち8人がこの映画を4以上で評価しました」といった形で提示された。
• 外部データを一切必要とせず、高精度な予測性能を維持しながら、RBMsフレームワークに説明可能性を効果的に統合できた。