[論文レビュー] Improving the Diversity of Top-N Recommendation via Determinantal Point Process.

Laming Chen, Guoxin Zhang+1 more|arXiv (Cornell University)|Sep 15, 2017

Stochastic Gradient Optimization Techniques参考文献 25被引用数 16

ひとこと要約

本稿では、アイテム間の反発をモデル化することでトップNの多様性を向上させるDPPに基づく推薦手法を提案する。多様性の調整が可能であり、加速アルゴリズムを用いることで効率的な推論が実現される。公開データセット上で評価した結果、最先端のベースラインと比較して、精度と多様性のトレードオフが優れている。

ABSTRACT

Recommender systems take the key responsibility to help users discover items that they might be interested in. Many recommendation algorithms are built upon similarity measures, which usually result in low intra-list diversity. The deficiency in capturing the whole range of user interest often leads to poor satisfaction. To solve this problem, increasing attention has been paid on improving the diversity of recommendation results in recent years. In this paper, we propose a novel method to improve the diversity of top-$N$ recommendation results based on the determinantal point process (DPP), which is an elegant model for characterizing the repulsion phenomenon. We propose an acceleration algorithm to greatly speed up the process of the result inference, making our algorithm practical for large-scale scenarios. We also incorporate a tunable parameter into the DPP model which allows the users to smoothly control the level of diversity. More diversity metrics are introduced to better evaluate diversification algorithms. We have evaluated our algorithm on several public datasets, and compared it thoroughly with other reference algorithms. Results show that our proposed algorithm provides a much better accuracy-diversity trade-off with comparable efficiency.

研究の動機と目的

• 類似度ベースの推薦システムに一般的に見られる低イントラリスト多様性を是正すること。
• トップN推薦にユーザーの多様な関心を反映させることで、ユーザー満足度を向上させること。
• 大規模な環境における多様性に配慮した推薦のための実用的でスケーラブルな手法を開発すること。
• ユーザーが望む多様性のレベルを制御できる調整可能なパラメータを導入すること。
• 推薦システムにおける多様化のパフォーマンスをより的確に評価できるように、強化された評価指標を提供すること。

提案手法

• 推薦アイテム間の負の相関（反発）をモデル化するために決定的ポイントプロセス（DPP）を採用し、多様性を促進する。
• DPPの推論を著しく高速化するための加速アルゴリズムを設計し、大規模な推薦シナリオへのスケーラビリティを実現する。
• DPPカーネルに調整可能なハイパーパrameterを組み込み、推薦の精度と多様性のトレードオフを制御する。
• 関連性を維持しながら多様なアイテム集合を選択するDPPベースのサンプリング機構を採用する。
• ユーザー-アイテム相互作用データを活用してアイテム類似度とDPP重みを計算する推薦パイプラインにDPPモデルを統合する。
• 決定的ポイント選択を通じて関連性と多様性の両方を最適化することで、トップNの推薦を生成するDPPモデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 DPPに基づくモデリングは、推薦精度を維持したままトップN推薦リストの多様性を効果的に向上させることができるか？
• RQ2 提案された加速アルゴリズムは、大規模な環境におけるDPPベースの推薦の推論速度にどのように影響するか？
• RQ3 DPPモデルに組み込まれた調整可能なパラメータは、どの程度推薦の多様性レベルをユーザーが制御可能にするか？
• RQ4 精度と多様性のトレードオフという観点から、提案手法は既存の多様性に配慮した推薦アルゴリズムと比較してどのように差をつけるか？
• RQ5 導入された多様性指標は、従来の指標と比較して、多様化パフォーマンスの評価をより信頼性があり洗練されたものとするか？

主な発見

• 提案手法は、複数の公開データセットにおいて、ベースライン手法と比較して顕著に優れた精度-多様性トレードオフを達成した。
• 加速アルゴリズムにより推論時間が著しく短縮され、DPPベースの推薦が大規模応用に実用的になった。
• 調整可能なパラメータにより、多様性レベルを滑らかに制御でき、ユーザーの好みに応じたカスタマイズが可能になった。
• 新規に導入された多様性指標は、従来の指標よりも洗練され信頼性の高い多様化パフォーマンスの評価を可能にした。
• 実験的評価により、高い推薦精度を維持しながらリストの多様性が顕著に向上することが確認された。
• 本手法は、多様性と精度の両面で既存の最先端手法を上回り、その有効性と実用性が実証された。