[論文レビュー] GHRS: Graph-based Hybrid Recommendation System with Application to Movie Recommendation

Zahra Zamanzadeh Darban, Mohammad Hadi Valipour|arXiv (Cornell University)|Nov 6, 2021

Recommender Systems and Techniques参考文献 57被引用数 145

ひとこと要約

本稿では、自己符号化器を用いた特徴抽出を用いて、ユーザーの評価類似性、デモグラフィックデータ、および位置情報を取り入れるグラフベースのハイブリッド推薦システムGHRSを提案する。ユーザー類似性グラフを構築し、深層学習を用いて低次元で情報量の多い特徴を抽出することで、MovieLensデータセット上で最先端の性能を達成し、推薦精度を著しく向上させるとともに、RMSEが0.833にとどまるなど、コールドスタート問題に対しても効果的に対処した。

ABSTRACT

Research about recommender systems emerges over the last decade and comprises valuable services to increase different companies' revenue. Several approaches exist in handling paper recommender systems. While most existing recommender systems rely either on a content-based approach or a collaborative approach, there are hybrid approaches that can improve recommendation accuracy using a combination of both approaches. Even though many algorithms are proposed using such methods, it is still necessary for further improvement. In this paper, we propose a recommender system method using a graph-based model associated with the similarity of users' ratings, in combination with users' demographic and location information. By utilizing the advantages of Autoencoder feature extraction, we extract new features based on all combined attributes. Using the new set of features for clustering users, our proposed approach (GHRS) has gained a significant improvement, which dominates other methods' performance in the cold-start problem. The experimental results on the MovieLens dataset show that the proposed algorithm outperforms many existing recommendation algorithms on recommendation accuracy.

研究の動機と目的

• 伝統的な協調フィルタリングおよびコンテンツベースフィルタリングの限界、特にコールドスタート問題を解決すること。
• ユーザーの評価パターン、デモグラフィックデータ、および位置情報を統合した統一モデルを用いて、推薦精度を向上させること。
• 特に自己符号化器を用いた深層学習的手法により、多様なユーザー属性からの効果的な特徴抽出を実現すること。
• ユーザー類似性を捉え、より良い推薦性能を得るためのクラスタリングを向上させるグラフベースの表現を構築すること。
• 新規ユーザー（過去の評価が一切ないユーザー）を想定した低評価状況におけるモデルの頑健性を評価すること。

提案手法

• ユーザー評価ベクトルのコサイン類似度に基づいてユーザー類似性グラフを構築し、ユーザー間の関係性をモデル化する。
• ユーザーのデモグラフィックおよび位置データと評価パターンを統合し、自己符号化器への入力となる統一された特徴行列を構築する。
• 深層自己符号化器を適用し、相関が低く情報量の多い非線形な低次元表現を学習する。
• 自己符号化器から得られた潜在表現を用いて、K-meansおよびMiniBatchK-meansによるクラスタリングを実施し、エルボー法およびシルエット法を用いてクラスタ数を決定する。
• MovieLens 100Kおよび1Mデータセット上でRMSE、精度、再現率を用いて最終的な推薦モデルを学習・評価する。
• 評価行列からユーザーの評価をランダムに削除することでコールドスタート状況をシミュレートし、残りのサイド情報に基づいた性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 グラフベースのモデルを用いてユーザー評価類似性、デモグラフィックデータ、および位置情報を統合することで、推薦精度を向上させることができるか？
• RQ2 自己符号化器を用いた特徴抽出は、ハイブリッド推薦システムの性能をどの程度向上させることができるか？
• RQ3 ユーザーが過去の評価履歴を持たない状況において、提案手法はコールドスタート問題をどの程度効果的に処理できるか？
• RQ4 グラフおよび自己符号化器の特徴から導出されるユーザー群の最適なクラスタ数は何か？
• RQ5 標準ベンチマークデータセット上で、RMSE、精度、再現率の観点からGHRSは最先端手法と比較してどの程度優れているか？

主な発見

• GHRSはMovieLens 1MデータセットでRMSE 0.833を達成し、大多数のベースラインモデルを上回り、AutoRecの最高結果と同等の性能を示した。
• MovieLens 100Kデータセットでは、RMSE 0.887を達成し、最先端手法と同等の性能を示し、AutoRecの最高結果を上回った。
• コールドスタート状況においても優れた性能を示し、ユーザー評価の80％までを削除してもRMSEが低く保たれたことから、データスパarsityに対しても頑健であることが示された。
• 自己符号化器の使用により、特徴表現が著しく向上し、生の特徴入力に比べてより正確なクラスタリングと高速な学習が実現された。
• グラフベースのユーザー類似性とサイド情報の組み合わせにより、MovieLens 1Mでは平均シルエットスコア17.53を達成し、明確に分離され意味のあるユーザークラスタが得られた。
• SVD++、Bayesian PLSA、RBM-CFなど、いくつかの高度な手法と比較して、1MデータセットにおいてRMSEおよび再現率の両方の指標でGHRSが優れた性能を示した。