[論文レビュー] Hotel Recommendation System

Aditi Mavalankar, Ajitesh Gupta+2 more|arXiv (Cornell University)|Jan 1, 2019

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

ひとこと要約

本論文では、匿名化されたExpediaのデータセットを用いて、距離行列補完、アンサンブル学習、データ漏洩の活用を組み合わせたホテル推薦システムを提案する。ユーザーのための上位5つのホテルクラスタを予測するもので、3800万件のデータに対してハイブリッドモデリングと特徴工学を適用し、テストセットでMAP@5スコア0.496を達成した。

ABSTRACT

One of the first things to do while planning a trip is to book a good place to stay. Booking a hotel online can be an overwhelming task with thousands of hotels to choose from, for every destination. Motivated by the importance of these situations, we decided to work on the task of recommending hotels to users. We used Expedia's hotel recommendation dataset, which has a variety of features that helped us achieve a deep understanding of the process that makes a user choose certain hotels over others. The aim of this hotel recommendation task is to predict and recommend five hotel clusters to a user that he/she is more likely to book given hundred distinct clusters.

研究の動機と目的

• 100のオプションからユーザーの検索行動に基づいて上位5つのホテルクラスタを推薦するという課題に対処すること。
• 行列補完を用いて欠損した地理的距離データを処理することで予測精度を向上させること。
• データ漏洩とアンサンブル技術を活用し、Kaggleコンペティションの順位表でのパフォーマンスを向上させること。
• ホテルレビューから導出される時系列的・地理的・潜在的特徴を用いてユーザーの好みをモデル化すること。
• 多クラス分類を用いて予測された予約確率に基づいてホテルクラスタをランク付けすること。

提案手法

• 地理的距離（'orig destination distance'）の欠損値を行列因子分解を用いて補完し、推薦に不可欠な特徴を補完した。
• 149個の潜在的デスティネーション特徴を20成分のPCAで次元削減し、管理可能で情報量の多いサブセットに縮小した。
• 各デスティネーションタイプごとに、拒否されたホテルクラスタ（-1）、選択されたもの（1）、その他（0）をエンコードし、ユーザー固有の特徴ベクトルを構築した。
• XGBoost、ランダムフォレスト、SGD、ナイーブベイズの複数モデルをアンサンブル化し、分散とバイアスを低減した。
• テストセットのエントリが全員が予約済みのユーザーからのものであるという事実を活用し、高信頼度の予測に対して直接ラベルを推定することでデータ漏洩を活用した。
• 距離補完とデータ漏洩の統合をハイブリッドモデルとして構築し、その後アンサンブル学習と組み合わせて最終予測を実施した。

実験結果

リサーチクエスチョン

• RQ1 欠損した地理的距離値をどのように効果的に補完すれば、ホテル推薦のパフォーマンスが向上するか？
• RQ2 テストセットにおけるデータ漏洩がモデルのパフォーマンスと一般化性能に及ぼす影響はどの程度か？
• RQ3 どのモデルと特徴工学の組み合わせが、上位5つのホテルクラスタランク付けにおいて予測精度を最も高めるか？
• RQ4 PCAで低次元化されたホテルレビューの潜在的特徴が、ユーザー好みのモデル化にどのように寄与するか？
• RQ5 大規模な多クラスホテル推薦タスクにおいて、アンサンブル学習とハイブリッドモデリング戦略は個々のモデルを上回る性能を発揮できるか？

主な発見

• データ漏洩を活用したアンサンブル学習モデルが、最高のテストMAP@5スコア0.496を達成し、他のすべての手法を上回った。
• 距離行列補完がモデルパフォーマンスを顕著に向上させたことが確認され、距離が最も重要な特徴の一つであると特定された。
• 距離補完を施したXGBoostはテストMAP@5が0.463を達成し、ランダムフォレスト（0.421）や他のベースモデルを上回った。
• データ漏洩は一般化可能性に欠けるが、順位表のパフォーマンスを大幅に向上させ、データセットの欠陥を浮き彫りにした。
• 特徴重要度分析により、ユーザーとホテルの距離および地理的場所が最も影響力のある予測変数であると確認された。
• PCAを用いることで149個の潜在的特徴を20成分に削減し、再構成誤差は最小限に抑えられ、次元削減の有効性が裏付けられた。