[論文レビュー] Exploring Social Influence for Recommendation - A Probabilistic Generative Model Approach

Mao Ye, Xingjie Liu+1 more|arXiv (Cornell University)|Sep 4, 2011

Recommender Systems and Techniques参考文献 24被引用数 27

ひとこと要約

本稿では、潜在的ユーザーの好み、アイテムのトピック、友人による影響を潜在変数としてモデル化することで、社会的影響、協調フィルタリング、コンテンツベース推薦を統合する包括的な確率的生成モデルを提案する。EMに基づくアルゴリズムとMap-Reduceを用いたスケーラビリティの向上により、モデルは推薦精度を顕著に向上させ、特にグループ設定において顕著な効果を示した。これは、チェックインネットワーク（whrrl.com）における社会的影響が、音楽プラットフォーム（last.fm）よりも強いことを示している。

ABSTRACT

In this paper, we propose a probabilistic generative model, called unified model, which naturally unifies the ideas of social influence, collaborative filtering and content-based methods for item recommendation. To address the issue of hidden social influence, we devise new algorithms to learn the model parameters of our proposal based on expectation maximization (EM). In addition to a single-machine version of our EM algorithm, we further devise a parallelized implementation on the Map-Reduce framework to process two large-scale datasets we collect. Moreover, we show that the social influence obtained from our generative models can be used for group recommendation. Finally, we conduct comprehensive experiments using the datasets crawled from last.fm and whrrl.com to validate our ideas. Experimental results show that the generative models with social influence significantly outperform those without incorporating social influence. The unified generative model proposed in this paper obtains the best performance. Moreover, our study on social influence finds that users in whrrl.com are more likely to get influenced by friends than those in last.fm. The experimental results also confirm that our social influence based group recommendation algorithm outperforms the state-of-the-art algorithms for group recommendation.

研究の動機と目的

• 社会的影響を一時的でないヒューリスティクスを超えて推薦システムに統合する包括的な確率的生成モデルの開発。
• ユーザーとアイテムの相互作用データに直接観測されない「隠れた社会的影響」の課題に、それを潜在変数としてモデル化することで対処する。
• 実世界のソーシャルネットワークから得られる大規模データセットに対して、スケーラブルな学習アルゴリズム（EMおよびMap-Reduce）を設計する。
• 学習された社会的影響がグループ推薦にどのように有用であるかを実証し、従来の集約ベース戦略を上回ることを示す。
• 定量的なモデル出力を用いて、異なるソーシャルネットワーク（last.fm 対 whrrl.com）における社会的影響の強さを実証的に比較する。

提案手法

• 包括的モデルは、潜在的クラスの統計的混合モデルであり、潜在トピックにおけるユーザーの好み、各トピックごとのアイテム生成分布、友人からの社会的影響を同時にモデル化する。
• 社会的影響は、ユーザーのアイテム選択が個人の好みに基づくのではなく、友人の影響を受ける確率を表す潜在変数としてモデル化される。
• ユーザーの好み、トピック、社会的影響を含む潜在変数を扱うために、期待値最大化（EM）アルゴリズムを用いてモデルのパラメータを学習する。
• last.fm および whrrl.com からの大規模データセットにスケーリング可能な、Map-Reduceフレームワークを用いた並列化EM実装を開発した。
• 個々のユーザーの影響スコアを用いてアイテムをグループに順序付けする、社会的影響に基づくグループ推薦（SIG）アルゴリズムを提案する。
• グループ推薦の性能を評価するために、実際のグループが訪問したアイテムの順位がより低くなるほど良いという相対順位指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 推薦のための確率的生成フレームワークにおいて、社会的影響を潜在変数として効果的にモデル化する方法は何か？
• RQ2 社会的影響を組み込むことで、それらを含まないモデルと比較して、推薦精度がどの程度向上するか？
• RQ3 使用パターンの異なるソーシャルネットワーク（例：音楽対チェックインプラットフォーム）において、社会的影響の強さはどのように異なるか？
• RQ4 生成モデルから学習された社会的影響は、標準的な集約戦略を上回るグループ推薦性能を向上させることができるか？
• RQ5 グループサイズが、集団的意思決定における社会的影響の相対的影響にどのように影響するか？

主な発見

• 社会的影響を排除したモデルと比較して、包括的な確率的生成モデルは顕著に優れた性能を示し、明示的な社会的影響のモデル化の価値を裏付けた。
• 評価されたすべてのベースラインの中で、本モデルが最も高い推薦性能を達成した。これは、社会的影響を協調フィルタリングおよびコンテンツベース手法と統合することの有効性を確認するものである。
• whrrl.com のユーザーは last.fm のユーザーと比較して、より強い社会的影響効果を示しており、平均友人数は 9.08 対 1.91 であり、影響を及ぼす友人のサブセットが支配的である。
• 社会的影響に基づくグループ推薦（SIG）アルゴリズムは、すべてのグループサイズにおいて、平均値およびレディスティミズ（Least Misery）集約戦略を上回った。特に小規模なグループで最も顕著な改善が得られた。
• トピック数を約 60 に設定した場合に、SIGアルゴリズムは最適な性能を発揮した。これは、モデルの表現力と一般化性能のバランスが取れていることを示している。
• 大規模なグループでは、個々の友人の影響が薄れ、共有された好みに基づくグループの合意形成が意思決定の主な要因となる。