[論文レビュー] Improving an Hybrid Literary Book Recommendation System through Author Ranking

Paula Vaz, David Martins de Matos+2 more|arXiv (Cornell University)|Mar 23, 2012

Recommender Systems and Techniques参考文献 6被引用数 16

ひとこと要約

本番の論文は、著者ベースの推薦を統合することで、アイテムベースの協調フィルタリング（ICF）を強化する重み付きハイブリッド図書推薦システムを提案する。予測された著者を本のリストに拡張し、重み付き算術平均を用いて本の予測と融合させることで、推薦精度が向上する。特に著者影響力を10%、本影響力を90%に設定した場合、LitRecデータセットで最適なパフォーマンスを達成し、著者1人あたり最大4冊の本を対象とする。

ABSTRACT

Literary reading is an important activity for individuals and choosing to read a book can be a long time commitment, making book choice an important task for book lovers and public library users. In this paper we present an hybrid recommendation system to help readers decide which book to read next. We study book and author recommendation in an hybrid recommendation setting and test our approach in the LitRec data set. Our hybrid book recommendation approach purposed combines two item-based collaborative filtering algorithms to predict books and authors that the user will like. Author predictions are expanded in to a book list that is subsequently aggregated with the former list generated through the initial collaborative recommender. Finally, the resulting book list is used to yield the top-n book recommendations. By means of various experiments, we demonstrate that author recommendation can improve overall book recommendation.

研究の動機と目的

• アイテムベースの協調フィルタリング（ICF）が、データが少ない公共図書館環境において効果的な図書推薦を生成できるかどうかを評価すること。
• 著者好みを組み込むことで、全体の図書推薦パフォーマンスが向上するかどうかを調査すること。
• ハイブリッド推薦システムにおける本と著者の予測スコア間の最適な重み付けを特定すること。
• 豊作な著者が支配しないよう、著者1人あたりの最大本数を定義し、推薦の多様性を向上させること。
• LitRecデータセットを用いてハイブリッドアプローチを検証すること。このデータセットは、ユーザーと本の相互作用が限られている実際の公共図書館の状況を模擬している。

提案手法

• 本システムは2つのICFアルゴリズムを用いる：1つは本の推薦（ICFB）、もう1つは著者の推薦（ICFA）、両者ともユーザ-アイテム相互作用行列に基づく。
• 著者の予測を、各本に著者のランクを割り当て、本の人気度（データセット内での頻度）で重み付けすることで、本のリストに拡張する。
• 豊作な著者の影響を抑えるために、著者1人あたり最大4冊の本を制限する。これは、予測品質の経験的評価に基づく。
• 2つのICFコンポonentの順位を統合するために、逆順位融合（RRF）と協調フィルタリング・プレファレンス統合（CFPA）の2つの集約関数を用いる。
• 最終的な推薦スコアは、重み付き算術平均（WAM）を用いて計算され、全体のスコアは α × ICF_A + (1−α) × ICF_B で表され、α は 0 から 1 の間で変化させ、異なる重み組み合わせをテストする。
• トップ-nの推薦は、最終的な統合スコアベクトルをソートし、上位のスコアを持つ本を選択することで生成される。

実験結果

リサーチクエスチョン

• RQ1 アイテムベースの協調フィルタリングは、データが少ない公共図書館環境で信頼できる図書推薦を生成できるか？
• RQ2 著者好みを組み込むことで、ハイブリッドシステムにおける図書推薦の精度が向上するか？
• RQ3 ハイブリッド推薦モデルにおける、本と著者の予測スコア間の最適な重み配分は何か？
• RQ4 著者1人あたりの本数制限が、推薦の多様性とパフォーマンスに与える影響は何か？
• RQ5 本と著者の予測スコアを統合する際、RRF と CFPA のどちらの集約関数がより優れた結果をもたらすか？

主な発見

• アイテムベースの協調フィルタリング（ICF）単体では、LitRecデータセットにおいては性能が著しく低く、トップ10の推薦で最初の関連する本が平均して3位程度にしか位置しない。
• 著者推薦を組み込むことで、全体の推薦パフォーマンスが顕著に向上し、特に本の共起データと組み合わせた場合に顕著である。
• 最適な重み付けは、10%の著者影響力と90%の本影響力であり、異なるα値におけるMRR評価から導かれた。
• 著者1人あたり4冊までの制限を設けることで、豊作な著者の支配を防ぎ、予測品質が向上する。この制限を超えると性能が低下する。
• RRF-RRFの組み合わせが他の集約関数ペアよりも優れた結果を示すが、最適な10%-90%の重み設定では、RRF-RRFとCFPA-CFPAの両者で同程度の結果が得られる。
• 著者予測を本のリストに拡張し、重み付き算術平均を用いて本の予測と統合することで、ハイブリッドシステムは最高の平均逆順位（MRR）を達成する。