[論文レビュー] Improving Session Recommendation with Recurrent Neural Networks by Exploiting Dwell Time

Alexander Dallmann, Alexander Grimm+3 more|arXiv (Cornell University)|Jun 30, 2017

Recommender Systems and Techniques参考文献 13被引用数 10

ひとこと要約

この論文は、ユーザーの関心の代理指標としてアイテム滞在時間を統合したRNNベースのセッション推薦モデルを提案し、推薦精度を向上させている。標準的なRNNに滞在時間特徴を追加することで、ベースラインに対してRec@20（68.73%から69.26%へ）で統計的に有意な0.76%の相対的改善を達成したが、単一の検証分割を用いたハイパーパramータ選択の不適切さのリスクも浮き彫りにした。

ABSTRACT

Recently, Recurrent Neural Networks (RNNs) have been applied to the task of session-based recommendation. These approaches use RNNs to predict the next item in a user session based on the previ- ously visited items. While some approaches consider additional item properties, we argue that item dwell time can be used as an implicit measure of user interest to improve session-based item recommen- dations. We propose an extension to existing RNN approaches that captures user dwell time in addition to the visited items and show that recommendation performance can be improved. Additionally, we investigate the usefulness of a single validation split for model selection in the case of minor improvements and find that in our case the best model is not selected and a fold-like study with different validation sets is necessary to ensure the selection of the best model.

研究の動機と目的

• アイテム滞在時間をユーザーの関心の指標としてモデル化することで、セッションベースの推薦性能を向上させること。
• 滞在時間（暗黙のフィードバック）を組み込むことで、単なるアイテム順序のモデル化を上回るRNNベースのセッションモデリングの向上が可能かどうかを調査すること。
• 微小な性能向上が見られる状況において、単一の検証セットを用いたハイパーパramータ選択の信頼性を評価すること。
• 微小な性能差がある状況でも堅牢なモデル選択を可能にする、折りたたみ型の交差検証スキームを提案すること。

提案手法

• 標準的なRNNベースのセッション推薦モデルに、アイテム滞在時間を追加の入力特徴として統合することで拡張する。
• 二本のブランチアーキテクチャを採用：一方のブランチは埋め込み層を介してアイテムIDを処理し、もう一方は別々の埋め込み層を用いて滞在時間を処理する。
• 埋め込み済みのアイテムおよび滞在時間表現を組み合わせ、その後GRUベースのRNNに供給してセッションシーケンスをモデル化する。
• 最終的なRNNの隠れ状態に基づいて、次のアイテムを予測するための分類器ヘッドを適用する。
• グリッドサーチを用いてハイパーパramータ（例：埋め込み次元数、RNNサイズ）を最適化し、単一の検証分割と複数の検証日を用いた折りたたみ型のスキームの両方を用いる。
• 標準的な指標（Recall@20（Rec@20）およびMean Reciprocal Rank@20（MRR@20））を用いてモデル性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 アイテム滞在時間をユーザーの関心の指標として組み込むことで、RNNベースのセッション推薦モデルの性能向上が図れるか？
• RQ2 滞在時間の組み込みが、Rec@20 や MRR@20 といった主要な推薦指標にどのように影響を与えるか？
• RQ3 性能向上が微小な場合に、単一の検証分割が信頼できるハイパーパramータ選択に十分か？
• RQ4 複数の検証セットを用いた折りたたみ型の交差検証スキームは、単一の分割よりもより堅牢で正確なモデル選択を可能にするか？

主な発見

• 提案されたDT-RNNモデルは、ベースラインのIT-RNNと比較してRec@20で統計的に有意な改善（p < 0.01）を示し、68.73%から69.26%に向上した。
• MRR@20における改善は統計的に有意ではなく、滞在時間が主に上位20件のリコメンデーション精度（Recall）を向上させることに寄与していることを示している。
• 単一の検証分割では、最良のハイパーパramータ設定が一貫して特定されなかった。
• 6つの異なる検証日を用いた折りたたみ型スキームを用いることで、$dt\_rnn\_size=32$ のモデルが6回中4回の分割で、当初選択された $dt\_rnn\_size=8$ よりも優れた性能を示した。
• 全6回の分割における平均Rec@20も、$dt\_rnn\_size=32$ の設定が優れていることを確認しており、堅牢に評価された場合の優位性を裏付けている。
• 本研究は、時間的要因による時系列データの分布に顕著な差が生じる可能性があること、したがってセッション推薦タスクにおいて単一分割の検証はモデル選択に信頼性がないことを示している。