[論文レビュー] Interpretable recommendations via overlapping co-clusters.

Reinhard Heckel, Michail Vlachos|arXiv (Cornell University)|Apr 7, 2016

Recommender Systems and Techniques参考文献 46被引用数 4

ひとこと要約

本論文では、行列分解を用いて顧客-商品の購入履歴から重複する共クラスタを導出することで、解釈可能な推薦システムを提案する。共クラスタに属する顧客と商品を特定することで、標準的手法を上回るか同等の高い精度を達成する一方で、テキスト的・視覚的な解釈可能性を持つ推薦を提供し、大規模データセットに対しても線形スケーラビリティを実現する。

ABSTRACT

There is an increasing need to provide not only accurate but also interpretable recommendations, in order to enhance transparency and trust in the recommendation process. This is particularly important in a business-to-business setting, where recommendations are generated for experienced sales staff and not directly for the end-client. In this paper, we consider the problem of generating interpretable recommendations based on the purchase history of clients, or more general, based on positive or one-class ratings only. We present an algorithm that generates recommendations by identifying overlapping co-clusters consisting of clients and products. Our algorithm uses matrix factorization techniques to identify co-clusters, and recommends a client-product pair because of its membership in one or more client-product co-clusters. The algorithm exhibits linear complexity in the number of co-clusters and input examples, and can therefore be applied to very large datasets. We show, both on a real client-product dataset from our institution, as well as on publicly available datasets, that the recommendation accuracy of our algorithm is better than or equivalent to standard interpretable and non-interpretable recommendation techniques, such as standard one-class nearest neighbor and matrix factorization techniques. Most importantly, our approach is capable of offering textually and visually interpretable recommendations.

研究の動機と目的

• 営業担当者が最終顧客ではなく推薦を受け取るビジネスツービジネス（B2B）環境において、解釈可能な推薦の需要が高まっているのに対応すること。
• 実世界の顧客購入データが反映された、正の評価または1クラス評価のみで効果的に動作する推薦アルゴリズムの開発。
• クラスタベースの推論により、推薦の正確性と解釈可能性を両立させ、信頼性と透明性を向上させること。
• 共クラスタ数と入力例数に対して線形時間計算量を達成することで、大規模データセットへの効率的スケーリングを実現すること。

提案手法

• アルゴリズムは、1クラス評価または正の評価から、行列分解を用いて重複する顧客-商品の共クラスタを同定する。
• 各顧客-商品ペアは、1つ以上の共クラスタへの所属に基づいて推薦され、解釈可能性を高めるための多面的推論を可能にする。
• 共クラスタリング構造により、クラスタを関連する顧客や商品のグループとして記述・可視化できるため、テキスト的・視覚的な解釈が可能となる。
• 共クラスタ数と入力例数に対して線形時間計算量を達成しており、大規模データセットへのスケーラビリティを実現する。
• クラスタメンバーシップスコアを推薦スコア関数に統合することで、クラスタの凝集性と予測精度のバランスを取る。
• 負のフィードバックを必要とせず、実世界の顧客-商品相互作用ログに一般的に見られるスパースな1クラスデータに対しても設計されている。

実験結果

リサーチクエスチョン

• RQ1 行列分解から導出される重複共クラスタは、1クラス設定において推薦精度を向上させつつ解釈可能性を維持できるか？
• RQ2 提案手法は、1クラス近傍法や行列分解といった標準的手法と比較して、精度においてどのように差をつけるか？
• RQ3 共クラスタリング構造は、推薦のテキスト的・視覚的説明をどの程度サポートできるか？
• RQ4 線形計算量のおかげで、アルゴリズムは大規模な顧客-商品データセットに効果的にスケーリングできるか？

主な発見

• 提案アルゴリズムは、実データおよび公開データセットの両方で、標準的な1クラス近傍法や行列分解手法を上回るか同等の推薦精度を達成した。
• クラスタメンバーシップを活用して解釈可能な推薦を効果的に生成し、なぜ顧客に特定の商品が推薦されたかをテキスト的・視覚的に説明可能となった。
• 共クラスタ数と入力例数に対して線形計算量を達成しており、大規模な展開に適した効率的なスケーリングを実現した。
• 重複する共クラスタの使用により、非重複クラスタモデルと比較して、より洗練された推薦が可能となった。アイテムが複数の意味のあるグループに属するためである。
• 負のフィードバックがなく、正の評価のみで動作することを確認したが、実世界のデータ環境でも高いパフォーマンスを維持した。
• 顧客や商品の意味のあるグループとしてクラスタを記述できるため、B2B環境におけるエキスパートユーザーの信頼を高める点で、推薦の解釈可能性が向上した。