[論文レビュー] Generating ordered list of Recommended Items: a Hybrid Recommender System of Microblog

Yingzhen Li, Ye Zhang|arXiv (Cornell University)|Aug 21, 2012

Recommender Systems and Techniques参考文献 6被引用数 4

ひとこと要約

本論文は、キーワード分析、ユーザータクソノミー、および関心抽出を組み合わせることで、個人に合わせた順序付きのフォローユーザー一覧を生成する、テンセントマイクロブログ向けのハイブリッドレコメンドシステムを提示する。人気、類似性、ユーザ行動パターンを統合することで、KDDカップ2012のデータ上で、トップ3のレコメンドで平均平均精度（MAP）が0.41198に達し、ベースライン手法を上回った。

ABSTRACT

Precise recommendation of followers helps in improving the user experience and maintaining the prosperity of twitter and microblog platforms. In this paper, we design a hybrid recommender system of microblog as a solution of KDD Cup 2012, track 1 task, which requires predicting users a user might follow in Tencent Microblog. We describe the background of the problem and present the algorithm consisting of keyword analysis, user taxonomy, (potential)interests extraction and item recommendation. Experimental result shows the high performance of our algorithm. Some possible improvements are discussed, which leads to further study.

研究の動機と目的

• テンセントマイクロブログにおけるレコメンド受容率の低さと古くなった提案の課題に対処するため、強固なハイブリッドレコメンデーションシステムを構築すること。
• 大規模なマイクロブログ環境において、ユーザ行動、関心、コンテンツ意味をモデリングすることで、レコメンドの正確性を向上させること。
• ユーザの好みとアイテムの人気度を反映した、順序付きで個人に合わせたレコメンドリストを生成すること。
• 単一手法のレコメンデーションの限界を克服するため、コンテンツベース、協調フィルタリング、人気度駆動の信号を統合すること。

提案手法

• ユーザ関心を推定するために、キーワード関連性および同義語の効率的かつ並列なマイニングが可能な改訂版FDMアルゴリズムを採用した。
• 相互作用頻度と行動パターンに基づき、ユーザをアクティブ、インアクティブ、フェイクの3カテゴリに分類することでユーザータクソノミーを構築した。
• リツイート／コメントによる人気度と共有キーワードによる類似性を組み合わせたグレーディング関数を定義し、候補となるユーザをランク付けした。
• ユーザ同士の相互作用を定量化するために、重み付き相互作用スコア $fami(u_j, u_k) = \frac{1}{3} \times (\text{at} + \text{retweet} + \text{comment})$ を使用した。
• 完全な再トレーニングなしで、ユーザ関心の変化に適応できるように、確率的再トレーニングを適用した。
• カテゴリ、人気度、類似性に基づく合成グレーディング関数を用いて、候補ユーザをソートすることで、順序付きレコメンドリストを生成した。

実験結果

リサーチクエスチョン

• RQ1 キーワード分析と同義語マイニングを、大規模なマイクロブログデータに対して効果的にスケーリングし、関心推定に応用することは可能か？
• RQ2 ユーザ分類（アクティブ／インアクティブ／フェイク）を用いることで、フォロー推薦の正確性はどの程度向上するか？
• RQ3 人気度、類似性、ユーザ行動を統合したハイブリッドモデルは、従来の協調フィルタリングやコンテンツベース手法を上回る性能を発揮できるか？
• RQ4 変化するユーザ行動と進化するコンテンツに直面しても、システムはレコメンドの関連性をどのように維持できるか？

主な発見

• システムは、KDDカップ2012のベンチマークにおいて、全ユーザタイプで平均平均精度（MAP@3）が0.41198に達し、全体的なパフォーマンスの高さを示した。
• インアクティブユーザはアクティブユーザ（0.41066）よりも高い正確性（0.46879）を示し、予測されたフォローフレンドシップと実際の行動がより一致していることを示した。
• フェイクユーザは最も低い正確性（0.33606）を示し、低頻度または偽の活動のため、関心推定に課題があることが浮き彫りになった。
• インアクティブユーザ942226は、AP@3が1.00という完璧なスコアを達成し、このユーザに対するトップ3レコメンドの正確性が非常に高かった。
• アクティブユーザ2071402はAP@3が0.83を達成し、高い人気バイアスがあるにもかかわらず、強力なパフォーマンスを示した。
• インアクティブユーザのフォロワーから潜在的関心をマイニングした際、システムのパフォーマンスが向上したため、間接的関心モデリングの価値が示された。