[論文レビュー] Friends, Strangers, and the Value of Ego Networks for Recommendation

Amit Sharma, Mevlana Gemici+1 more|arXiv (Cornell University)|Apr 17, 2013

Recommender Systems and Techniques参考文献 11被引用数 9

ひとこと要約

この論文は、FacebookおよびTwitterのデータを用いて、エゴセントリック（友人限定）型とフルネットワーク型の推薦アルゴリズムを比較評価し、特にTwitterにおいては、高い好みの局所性（preference locality）のため、友人限定の手法が同等またはそれ以上の性能を示すことを明らかにした。本研究では、この局所性を定量化するための指標を導入し、それがソーシャル推薦の有効性の主要因であることを示した。

ABSTRACT

Two main approaches to using social network information in recommendation have emerged: augmenting collaborative filtering with social data and algorithms that use only ego-centric data. We compare the two approaches using movie and music data from Facebook, and hashtag data from Twitter. We find that recommendation algorithms based only on friends perform no worse than those based on the full network, even though they require much less data and computational resources. Further, our evidence suggests that locality of preference, or the non-random distribution of item preferences in a social network, is a driving force behind the value of incorporating social network information into recommender algorithms. When locality is high, as in Twitter data, simple k-nn recommenders do better based only on friends than they do if they draw from the entire network. These results help us understand when, and why, social network information is likely to support recommendation systems, and show that systems that see ego-centric slices of a complete network (such as websites that use Facebook logins) or have computational limitations (such as mobile devices) may profitably use ego-centric recommendation algorithms.

研究の動機と目的

• エゴセントリック（友人限定）型とフルネットワーク型の推薦アルゴリズムがソーシャルネットワークでどのように性能を発揮するかを比較すること。
• つながったユーザー間でのアイテム好みの非ランダムな分布（好みの局所性）が、ソーシャル推薦の有効性を説明する要因であるかどうかを調査すること。
• ソーシャルネットワークにおける好みの局所性の程度を定量化する指標を開発・適用すること。
• モバイルアプリやサードパーティログインのような、データ量や計算リソースが限られたシステムにおいて、エゴセントリック推薦が実用的かどうかを評価すること。
• 好みの局所性が分野（例：音楽、映画、ハッシュタグ）によってどのように変化するかを理解し、推薦システム設計に与える影響を明らかにすること。

提案手法

• ベースラインとしてk-NN協調フィルタリングを用い、友人のデータのみを使用する場合とフルネットワーク全体を使用する場合で性能を比較した。
• 局所性を測るための3つの指標を定義した：Random Item/Ego（エゴネットワーク内でのアイテム頻度とランダムな分布の比較）、Random Friend/Ego（フレンドリンクの再割り当てが与える影響の測定）、Ego Network Coverage（アイテムを含むエゴネットワークの割合）。
• ノードの次数とアイテムセットを保持したまま、アイテムの割り当て（Random Item/Ego）やフレンドリンク（Random Friend/Ego）をシャッフルすることで、ランダム化されたネットワークを生成した。
• 推薦の質を評価するために、正規化済みディスcount累積利得（nDCG）を測定した。
• スケーリングの影響を理解するため、アイテムの人気分布を分析した。
• 実世界のデータセットを用いた：Facebook（音楽、映画）およびTwitter（ハッシュタグ）、それぞれにエゴセントリック構造とユーザー・アイテム相互作用ログが存在した。

実験結果

リサーチクエスチョン

• RQ1 ユーザーの友人（エゴネットワーク）のデータのみを用いることで、フルネットワーク全体のデータを用いる場合と同等の推薦性能が得られるか？
• RQ2 友人が似たようなアイテム好みを持つという「好みの局所性」が、ソーシャル推薦の成功をどの程度説明できるか？
• RQ3 好みの局所性を測る異なる指標が、エゴセントリック推薦アルゴリズムの性能にどの程度相関しているか？
• RQ4 アイテムの人気分布（例：ロングテール対歪んだ分布）が、ソーシャル推薦の有効性に与える影響は何か？
• RQ5 どのネットワーク環境（例：Twitter対Facebook）においてエゴセントリック推薦が最も効果的であり、その理由は何か？

主な発見

• 友人のデータのみを用いたエゴセントリック推薦アルゴリズムは、フルネットワーク全体のデータを用いる場合と同等、あるいは一部のケースではそれを上回る性能を示した。特にTwitterデータでは顕著であった。
• Twitterデータは、すべての指標において最も高い好みの局所性を示した（Random Item/Ego：1.78、Random Friend/Ego：1.79）、友人間での好みの非ランダムなクラスタリングが強いことを示している。
• Facebookの音楽および映画データセットは、低い局所性（Random Item/Ego：1.19–1.28）を示したが、それでもランダムより顕著に高い値であり、中程度の好みのクラスタリングが存在することが示された。
• エゴネットワークカバレッジはハッシュタグで最も高く（99.7%）、ほとんどのアイテムが少なくとも1つのエゴネットワークに含まれていることを示しており、エゴセントリック推薦の実現可能性を裏付けている。
• k-NN推薦機の性能は、好みの局所性と強く相関していた。Twitterのように局所性が高いほど、エゴセントリック推薦の結果が優れたことが確認された。
• 本研究では、好みの局所性がソーシャル推薦の成功の主要因であることが判明したが、唯一の要因ではないことも明らかになった。アーティストと映画の間で性能の差が、同じような局所性指標にもかかわらず依然として見られたためである。