[論文レビュー] Interpreting Contextual Effects By Contextual Modeling In Recommender Systems

Yong Zheng|arXiv (Cornell University)|Oct 23, 2017

Recommender Systems and Techniques参考文献 13被引用数 5

ひとこと要約

本稿では、文脈類似度を活用することで、推薦システムにおける文脈的要因の解釈を可能にする類似度ベースの文脈的モデリング手法（CSLIM_MCS）を提案する。独立型および事前フィルタリング手法と比較して、性能と解釈可能性の両面で優れた結果を示している。CSLIM_MCSは、2つの実世界データセットにおいて、推薦精度および意味的に関連する文脈状況の検索の両面で、TFおよびSPFを上回っている。

ABSTRACT

Recommender systems have been widely applied to assist user's decision making by providing a list of personalized item recommendations. Context-aware recommender systems (CARS) additionally take context information into considering in the recommendation process, since user's tastes on the items may vary from contexts to contexts. Several context-aware recommendation algorithms have been proposed and developed to improve the quality of recommendations. However, there are limited research which explore and discuss the capability of interpreting the contextual effects by the recommendation models. In this paper, we specifically focus on different contextual modeling approaches, reshape the structure of the models, and exploit how to utilize the existing contextual modeling to interpret the contextual effects in the recommender systems. We compare the explanations of contextual effects, as well as the recommendation performance over two-real world data sets in order to examine the quality of interpretations.

研究の動機と目的

• 推薦システムにおける文脈的要因の解釈を高めるために、文脈モデリング手法を再構築する方法を調査すること。
• 独立型と従属型の文脈モデリング手法の解釈可能性および推薦性能を比較すること。
• 文脈類似度の学習が、推薦品質および説明能力の両方を向上させることを評価すること。
• 特定のターゲット文脈に対して、意味的に関連する文脈状況を最も効果的に検索できる文脈モデリング手法を同定すること。

提案手法

• 本稿では、文脈類似度を強調することで、独立型および従属型の文脈モデリング手法を解釈可能性を高めるように再構築する。
• 多様な次元の文脈類似度を用いて、異なる文脈におけるユーザ-アイテム評価をモデル化する類似度ベースの文脈スパース線形モデル（CSLIM_MCS）を採用する。
• 比較のため、事前フィルタリング手法（SPF）とテンソル因子分解に基づく独立型文脈モデリング手法（TF）の2つのベースラインを用いる。
• 文脈類似度は、TFから得られる潜在ベクトルを用いて計算され、与えられたターゲット文脈に対して上位5件の類似した文脈状況を検索するために応用される。
• 推薦品質の評価は、5分割交差検証を用い、精度とNDCGを指標とする。
• 解釈可能性は、検索された類似文脈状況がターゲット文脈に対してどの程度関連性があるかを分析することで評価される。

実験結果

リサーチクエスチョン

• RQ1 どのようにして文脈モデリング手法を再構築することで、推薦システムにおける文脈的要因の解釈可能性を向上させることができるか？
• RQ2 従属型と独立型のどちらの文脈モデリング手法が、より優れた推薦性能とより意味のある解釈をもたらすか？
• RQ3 文脈類似度の学習は、推薦精度および類似文脈状況の検索品質の両方を向上させることができるか？
• RQ4 異なるモデルは、与えられた文脈に対して、意味的に関連する文脈状況をどの程度効果的に検索できるか？

主な発見

• CSLIM_MCSは、STSおよびmusicの両データセットで最高の精度およびNDCGスコアを達成し、TFおよびSPFを推薦品質の面で上回った。
• STSデータセットでは、CSLIM_MCSがターゲット文脈条件「temperature: cold」を含む文脈状況を効果的に検索したが、TFおよびSPFは「season」や「mood」といった関連のない条件のみを検索した。
• musicデータセットでは、CSLIM_MCSが「landscape: country side」と「roadtype」のようなより関連性の高い文脈の組み合わせを検索したのに対し、TFおよびSPFは「naturalphenomena」といった関連のない次元に焦点を当てた。
• 結果から、文脈類似度を用いた従属型文脈モデリング（CSLIM_MCS）は、意味的に整合性があり関連性の高い文脈状況を検索することで、より優れた解釈可能性を提供することが示された。
• 本研究は、文脈類似度の学習が、推薦性能の向上に加え、推薦システムにおける文脈的要因の説明可能性の向上にも寄与することを示している。