[論文レビュー] Interact and Decide: Medley of Sub-Attention Networks for Effective Group Recommendation

Lucas Vinh Tran, Tuan-Anh Nguyen Pham+4 more|arXiv (Cornell University)|Apr 12, 2018

Recommender Systems and Techniques参考文献 52被引用数 34

ひとこと要約

本稿では、グループ内での動的ユーザー相互作用を、複数のサブアテンションネットワークでモデル化する、新しいニューラルアーキテクチャであるMoSANを提案する。各ユーザーは、他のユーザーとの相対的な好みを捉えるサブアテンションモジュールで表現される。MoSANは、動的でグループ固有のユーザーインフルエンス重みを効果的に学習することで、複数のベンチマークで7つのSOTAベースラインを著しく上回る最先端の性能を達成する。

ABSTRACT

This paper proposes Medley of Sub-Attention Networks (MoSAN), a new novel neural architecture for the group recommendation task. Group-level recommendation is known to be a challenging task, in which intricate group dynamics have to be considered. As such, this is to be contrasted with the standard recommendation problem where recommendations are personalized with respect to a single user. Our proposed approach hinges upon the key intuition that the decision making process (in groups) is generally dynamic, i.e., a user's decision is highly dependent on the other group members. All in all, our key motivation manifests in a form of an attentive neural model that captures fine-grained interactions between group members. In our MoSAN model, each sub-attention module is representative of a single member, which models a user's preference with respect to all other group members. Subsequently, a Medley of Sub-Attention modules is then used to collectively make the group's final decision. Overall, our proposed model is both expressive and effective. Via a series of extensive experiments, we show that MoSAN not only achieves state-of-the-art performance but also improves standard baselines by a considerable margin.

研究の動機と目的

• グループ内での意思決定が、グループメンバー間の複雑で動的かつ相互作用的な要因に影響を受けるというグループ推薦の課題に対処すること。
• 従来の手法が静的で好みの集約に依存している、またはユーザー同士の相互作用を効果的にモデル化できないという限界を克服すること。
• グループ内でのユーザーの細分化された動的影響を捉える深層学習モデルを開発し、推薦の正確性と説明可能性を向上させること。
• 各ユーザーの役割と影響力を異なるグループ文脈でモデル化することで、より表現力があり、パーソナライズされたグループ推薦を実現すること。

提案手法

• 各グループメンバーが専用のサブアテンションモジュールで表現される、サブアテンションネットワークのメドレー（MoSAN）を提案する。
• 各サブアテンションモジュールは、ユーザーの他の全グループメンバーに対する好みに基づいてアテンション重みを計算し、ユーザー同士の相互作用を動的にモデル化する。
• サブアテンションの出力を重み付き集約機構を用いて統合し、最終的なグループレベルの推薦意思決定を生成する。
• 多ヘッドアテンション機構を用いて多様な相互作用パターンを捉え、表現力の向上を図る。
• トップ-N推薦性能を最適化するため、ペairワイズランキング損失を用いてモデルをエンドツーエンドで訓練する。
• ユーザー相互作用データを暗黙の信号として取り入れ、明示的な役割やメタデータを必要とせずに、動的インフルエンス重みを学習する。

実験結果

リサーチクエスチョン

• RQ1 グループ内のユーザー相互作用をどのように効果的にモデル化すれば、グループ推薦のパフォーマンスが向上するか？
• RQ2 異なるグループで動的かつユーザーインフルエンス重みを学習するニューラルアーキテクチャは、静的集約手法を上回る性能を発揮できるか？
• RQ3 実世界のグループ推薦データセットにおいて、MoSANはSOTAベースラインと比べてどのように性能を発揮するか？
• RQ4 PITのようなベースラインと比較して、MoSANは異なるグループ文脈におけるユーザーの真の重要性をどの程度正しく捉えているか？
• RQ5 特に大規模かつ複雑なグループにおいて、グループサイズの増加に伴いモデルのパフォーマンスはどのように変化するか？

主な発見

• MoSANは、4つの実世界データセットにおいて7つのSOTAベースラインを著しく上回り、ndcg@5およびrec@5の両方で最先端の性能を達成した。
• Plancastデータセットでは、グループサイズ16–20の際、最良のベースライン比で20.97%の向上を示し、大規模グループへのスケーラビリティが顕著に優れている。
• Plancastではトップ10の影響力の高いユーザーを削除した際、MoSANのパフォーマンスが29.97%低下し、Meetupでは18.15%低下した。これは、モデルが高影響力ユーザーを正しく同定し、それらに依存していることを示している。
• 一方、PITのパフォーマンスは、高重みユーザーを削除してもほぼ変化しなかった。これは、PITのアテンション機構が意味のあるユーザーインフルエンスを捉えていないことを示している。
• MoSANは動的ユーザー役割を正しく検出する：あるグループではu_4122が支配的であるが、別のグループではMoSANは異なる影響力のあるユーザーを同定する。これに対してPITは固定で変化しないインフルエンス重みを割り当てている。
• アブレーションスタディの結果、単純なアテンションプーリングでは不十分であることが判明した。これは、行列因子分解ベースラインと同程度の性能に留まり、MoSANのサブアテンション設計の必要性を強調している。