[論文レビュー] Item Recommendation with Evolving User Preferences and Experience

Subhabrata Mukherjee, Hemank Lamba+1 more|arXiv (Cornell University)|May 6, 2017

Recommender Systems and Techniques参考文献 26被引用数 6

ひとこと要約

本稿では、レビュー本文とスコアのみを用いて、ユーザーの進化する経験、分野別関心、ライティングスタイル、およびスコア付け行動を統合的に追跡する生成的HMM-LDAモデルを提案する。潜在的なユーザー成熟度とトピック好みの時間的進行をモデル化することで、最先端のベースラインと比較してスコア予測精度が向上し、熟練ユーザーの特定もより正確に行える。

ABSTRACT

Current recommender systems exploit user and item similarities by collaborative filtering. Some advanced methods also consider the temporal evolution of item ratings as a global background process. However, all prior methods disregard the individual evolution of a user's experience level and how this is expressed in the user's writing in a review community. In this paper, we model the joint evolution of user experience, interest in specific item facets, writing style, and rating behavior. This way we can generate individual recommendations that take into account the user's maturity level (e.g., recommending art movies rather than blockbusters for a cinematography expert). As only item ratings and review texts are observables, we capture the user's experience and interests in a latent model learned from her reviews, vocabulary and writing style. We develop a generative HMM-LDA model to trace user evolution, where the Hidden Markov Model (HMM) traces her latent experience progressing over time -- with solely user reviews and ratings as observables over time. The facets of a user's interest are drawn from a Latent Dirichlet Allocation (LDA) model derived from her reviews, as a function of her (again latent) experience level. In experiments with five real-world datasets, we show that our model improves the rating prediction over state-of-the-art baselines, by a substantial margin. We also show, in a use-case study, that our model performs well in the assessment of user experience levels.

研究の動機と目的

• レコメンデーションシステムにおいて、個々の成熟度や進化する好みを無視しがちなユーザー経験モデリングの欠如に対処すること。
• 観察可能なレビューとスコアのみを用いて、ユーザー経験、分野別関心、ライティングスタイル、スコア付け行動の時間的連続的進化を統合的にモデル化すること。
• 潜在的なユーザー成熟度と進化するトピック好みを組み込むことで、スコア予測精度を向上させること。
• 言語的および行動的進化に基づいて、例えば市民ジャーナリストの可能性を有するユーザーを含むオンラインコミュニティにおける熟練ユーザーを同定すること。
• レビュー本文の内容とライティングスタイルが、スコアのみに依存する手法に比べて、ユーザー進化モデリングに重要なシグナルを提供することを示すこと。

提案手法

• 生成的HMM-LDAモデルを提案し、隠れマルコフモデル（HMM）が時間経過に伴うユーザー経験の潜在的進化を追跡する。
• 潜在的ディリクレ配分（LDA）を用いて、ユーザーの潜在的経験レベルに応じた特定のアイテム要因における関心をモデル化する。
• 時間的進行を条件として、レビュー本文、語彙使用、ライティングスタイルからユーザー経験および要因別関心を推論する。
• HMMはユーザー成熟の速度を捉え、時間経過に伴う経験成長の個別化を可能にする。
• 連続スコアを組み込むために、教師あり学習手法を応用し、要因重みを経験レベルの関数としてモデル化する。
• 同伴論文[19]では、幾何ブラウン運動およびブラウン運動を用いた連続時間拡張が提示され、詳細な時間的モデリングが可能になる。

実験結果

リサーチクエスチョン

• RQ1 明示的なラベルなしに、レビュー本文とスコアからユーザー経験の進化をどのようにモデリングできるか？
• RQ2 進化するユーザー成熟度をモデル化することで、スコア予測精度がどの程度向上するか？
• RQ3 レビューにおけるライティングスタイルおよび言語的特徴を用いて、ユーザーの経験レベルや分野別関心を推定できるか？
• RQ4 本モデルは、例えば市民ジャーナリストの可能性を有するユーザーを含むコミュニティにおいて、熟練ユーザーをどの程度正確に同定できるか？
• RQ5 経験、関心、ライティングスタイルを統合的にモデリングすることで、静的またはグローバル時間的モデルに比べて、より優れたレコメンデーションが得られるか？

主な発見

• 提案モデルは、5つの実世界データセットにおいて、最先端のベースラインと比較して、スコア予測の平均二乗誤差を大幅に低減した。
• NewsTrustコミュニティにおける熟練ユーザー同定タスクでは、F₁スコアが0.97を達成し、ベースラインの0.68を大きく上回った。
• 本モデルは、ベースラインの0.90と比較して、NDCGスコアが0.97を達成し、ユーザー経験レベルの順序付け精度が優れていることを示した。
• 本モデルは、ユーザー成熟度の進行を効果的に捉えており、例えば映画技術に精通したユーザーにアート映画を推奨するなど、ユーザーの現在の経験レベルに適合したレコメンデーションが可能になった。
• レビュー本文とライティングスタイルの活用により、経験が増すにつれて特殊効果から物語の複雑さに注目が移るといった、ユーザー関心の微細なシフトを検出できた。
• 本モデルは、言語的およびスタイル的進化がユーザー経験の強力な代理指標であることを示し、スコア履歴や静的トピックモデリングに依存する手法を上回ることを実証した。