[論文レビュー] HieRec: Hierarchical User Interest Modeling for Personalized News Recommendation

Tao Qi, Fangzhao Wu+5 more|arXiv (Cornell University)|Jun 8, 2021

Recommender Systems and Techniques参考文献 31被引用数 5

ひとこと要約

HieRecは、個人向けニュース推薦のための階層的ユーザー関心モデリングフレームワークを提案する。3段階の構造（サブトピック、トピック、ユーザー）を用いて、多様で多スケールのユーザー関心を捉える。候補ニュースを複数スケールの関心と照合することで、実世界のデータセットにおいて単一埋め込みベースラインよりも顕著に推薦精度と多様性が向上する。

ABSTRACT

User interest modeling is critical for personalized news recommendation. Existing news recommendation methods usually learn a single user embedding for each user from their previous behaviors to represent their overall interest. However, user interest is usually diverse and multi-grained, which is difficult to be accurately modeled by a single user embedding. In this paper, we propose a news recommendation method with hierarchical user interest modeling, named HieRec. Instead of a single user embedding, in our method each user is represented in a hierarchical interest tree to better capture their diverse and multi-grained interest in news. We use a three-level hierarchy to represent 1) overall user interest; 2) user interest in coarse-grained topics like sports; and 3) user interest in fine-grained topics like football. Moreover, we propose a hierarchical user interest matching framework to match candidate news with different levels of user interest for more accurate user interest targeting. Extensive experiments on two real-world datasets validate our method can effectively improve the performance of user modeling for personalized news recommendation.

研究の動機と目的

• ニュース推薦における単一ユーザー埋め込み手法の限界、すなわち多様で多スケールのユーザー関心を捉えることの困難さを是正すること。
• 細分化されたサブトピック、粗いトピック、全体のユーザー関心という3段階の階層的レベルでユーザー関心をモデル化すること。
• 候補ニュースとユーザー関心を異なるスケールで一致させる階層的照合フレームワークを構築し、より正確なターゲティングを実現すること。
• 関心の多様性を明示的にモデル化することで、推薦パフォーマンスと多様性を向上させること。

提案手法

• HieRecは3段階の階層を構築する：特定のサブトピック内のクリック済みニュースから得られるサブトピックレベルの表現、サブトピック埋め込みとトピック埋め込みを統合して得られるトピックレベルの表現、そしてトピックレベルの関心から得られるユーザーレベルの表現。
• サブトピックレベルの関心表現は、ニュースのサブトピックの埋め込みと、そのサブトピック内でのクリック済みニュースの埋め込みを用いて学習される。
• トピックレベルの表現は、サブトピックレベルの関心とトピック埋め込みを統合することで生成され、粗いスケールのユーザー関心を捉える。
• ユーザーレベルの表現は、トピックレベルの関心表現から導出され、全体のユーザー好みをモデル化する。
• 階層的ユーザー関心照合フレームワークは、各レベル（サブトピック、トピック、ユーザー）で候補ニュースとユーザー関心を照合することで、関連性とターゲティング精度を向上させる。
• モデルはアテンション機構とプーリング戦略を用いてユーザー行動シーケンスを統合し、コン act かつ意味のある関心表現を生成する。

実験結果

リサーチクエスチョン

• RQ1 単一埋め込みモデルと比較して、階層的ユーザー関心表現は、ニュース閲覧行動における多スケールかつ多様なユーザー関心の性質をよりよく捉えられるか？
• RQ2 複数スケール（サブトピック、トピック、全体）でのユーザー関心モデリングが、推薦精度と多様性に与える影響は何か？
• RQ3 異なるレベルでの候補ニュースとユーザー関心の階層的照合が、関連性予測にどの程度向上をもたらすか？
• RQ4 標準的な推薦モデルと比較して、HieRecはフィルターバブルやエコーチャンバーを緩和できるか？

主な発見

• HieRecは2つの実世界のニュースデータセットにおいて、複数の最先端ベースラインを上回る推薦精度を達成し、優れたユーザー関心モデリングを示している。
• 階層的照合フレームワークにより、異なるスケールで候補ニュースとユーザー関心がより正確に一致し、関連性予測が向上している。
• HieRecは、定性的および定量的分析を通じて、既存の手法よりも優れた推薦多様性を達成しており、フィルターバブルのリスク低減に寄与している。
• モデルは異なるユーザー関心プロファイルにおいても強固なパフォーマンスを維持しており、関心の多様性への耐性があることが示された。
• アブレーションスタディにより、階層の各レベル（サブトピック、トピック、ユーザー）が全体の推薦パフォーマンスに有意義に寄与していることが確認された。
• 公平性に配慮した技術やプライバシー保護技術（例：フェデレーテッドラーニング）との統合の可能性も示されており、倫理的懸念への対応が期待できる。