[論文レビュー] From Group Recommendations to Group Formation

Senjuti Basu Roy, Laks V. S. Lakshmanan+1 more|arXiv (Cornell University)|Mar 11, 2015

Mobile Crowdsensing and Crowdsourcing参考文献 26被引用数 14

ひとこと要約

本稿は、レコメンデーションシステムにおけるグループ形成の戦略的フレームワークを提案し、標準的なグループレコメンデーションの意味論（最小苦痛（LM）および集約投票（AV））の下でユーザー満足度を最大化することを目的としている。LM用にGRD-LM-SUMという効率的なアルゴリズムと、AV用のヒューリスティック手法を導入し、誤差の有界性または高いスケーラビリティを達成しており、実世界のデータセットを用いた実験で、一時的または類似性に基づくグループ化に比べて満足度が向上していることが確認された。

ABSTRACT

There has been significant recent interest in the area of group recommendations, where, given groups of users of a recommender system, one wants to recommend top-k items to a group that maximize the satisfaction of the group members, according to a chosen semantics of group satisfaction. Examples semantics of satisfaction of a recommended itemset to a group include the so-called least misery (LM) and aggregate voting (AV). We consider the complementary problem of how to form groups such that the users in the formed groups are most satisfied with the suggested top-k recommendations. We assume that the recommendations will be generated according to one of the two group recommendation semantics - LM or AV. Rather than assuming groups are given, or rely on ad hoc group formation dynamics, our framework allows a strategic approach for forming groups of users in order to maximize satisfaction. We show that the problem is NP-hard to solve optimally under both semantics. Furthermore, we develop two efficient algorithms for group formation under LM and show that they achieve bounded absolute error. We develop efficient heuristic algorithms for group formation under AV. We validate our results and demonstrate the scalability and effectiveness of our group formation algorithms on two large real data sets.

研究の動機と目的

• 一時的または類似性に基づくグループ形成を仮定するグループレコメンデーションシステムにおける溝を埋め、満足度を最適化するグループ構成を提示すること。
• LMやAVのような確立されたグループ意味論に従うレコメンデーションにおいて、集計されたユーザー満足度を最大化する最適化問題としてグループ形成を形式化すること。
• LMおよびAVの両意味論において、誤差の有界性または高いパフォーマンスを達成する効率的かつスケーラブルなアルゴリズムを開発し、ヒューリスティクスや類似性メトリクスに依存しないこと。
• 戦略的グループ形成が、ユーザーの好みが類似したデモグラフィック特徴を持ちながらも相違する場合に特に顕著に満足度を向上させることを実証すること。
• 既存のレコメンデーションシステムに影響を与えることなく、推薦意味論を変更せずに統合可能な、非侵襲的でプラグイン型のソリューションを提供すること。

提案手法

• LMおよびAVの両意味論の下で、整数プログラミング（IP）モデルとしてグループ形成問題を定式化し、ユーザーをグループに割り当て、上位k件のアイテムを選択するためのバイナリ変数を用いる。
• LMの場合、上位k件のアイテムの中でk番目のアイテムのスコアが各グループ内で最小であることを保証する制約を導入し、最小集約目的関数を用いて最小のユーザー満足度を最大化する。
• AVの場合、目的関数をグループ内のユーザー間のスコア合計に変更し、合計集約関数を用いて集団の満足度を最大化する。
• GRD-LM-SUMは、満足度の限界的利益に基づいてユーザーをグループに逐次割り当てるグリーディーで効率的なヒューリスティクスであり、有界な絶対誤差を達成する。
• AVのためのヒューリスティックアルゴリズムを提案し、集団スコアが高くなるグループ化を優先し、ソーティングとグリーディー割り当てを活用して大規模データセットへのスケーリングを実現する。
• 二段階アプローチを採用：まず、選択された意味論に従ってユーザー-アイテムスコアを計算し、第二に、ユーザーをℓ個の互いに素なグループに分割するグループ形成アルゴリズムを適用し、合計満足度を最大化する。

実験結果

リサーチクエスチョン

• RQ1 確立されたグループレコメンデーションの意味論（最小苦痛（LM）や集約投票（AV））を用いたレコメンデーションシステムにおいて、ユーザー満足度を最大化するように、体系的にユーザーグループを形成できるか？
• RQ2 LMの意味論において、保証された性能境界を達成する効率的なアルゴリズムをどのように設計できるか？
• RQ3 AVの意味論において、大規模データセットに効果的にスケーリングしつつ高い満足度を維持するためのヒューリスティック戦略は何か？
• RQ4 戦略的グループ形成は、一時的または類似性に基づくグループ化と比較して、ユーザー満足度とスケーラビリティの面でどのように異なるか？
• RQ5 グループ形成段階にグループレコメンデーションの意味論を組み込むことで、従来の方法（デモグラフィックや好みの類似性に依存するヒューリスティック処理と分離して扱う方法）と比較して、全体のシステムパフォーマンスはどの程度向上するか？

主な発見

• LMおよびAVの両意味論におけるグループ形成問題は、NP困難であると証明されており、効率的な近似法やヒューリスティクスの導入が正当化される。
• LM用のGRD-LM-SUMアルゴリズムは、有界な絶対誤差を達成し、大規模な環境下でも最適解からの予測可能な誤差範囲内に保証される。
• 2つの大規模な実世界データセットを用いた実験で、提案されたアルゴリズムは高いスケーラビリティを示し、一時的または類似性に基づくグループ形成に比べて集計されたユーザー満足度が顕著に優れている。
• 例B.11において、GRD-LM-SUMは目的関数値20を達成したが、最適解は21に達しており、ヒューリスティクスが最適解にわずか1ポイントの差で近接していることが示された。
• 本フレームワークは、好みの衝突するユーザーを同じグループに含めるような非効率なグループ化を回避することで、不適切なアイテムレコメンデーションによる不満を低減し、満足度を向上させている。
• 結果から、グループレコメンデーションの意味論をグループ形成段階に直接統合することで、従来の方法（デモグラフィックや好みの類似性に依存する）に比べてより優れた結果が得られることを確認した。