[論文レビュー] Item Silk Road: Recommending Items from Information Domains to Social Users

Xiang Wang, Xiangnan He+2 more|arXiv (Cornell University)|Jun 10, 2017

Recommender Systems and Techniques参考文献 35被引用数 149

ひとこと要約

情報ドメインのアイテムをソーシャルネットワークのユーザーに提案するクロスドメインのソーシャル推奨を導入する。属性対応の深層協調フィルタリングとグラフベースのソーシャル伝搬を用いるニューラルソーシャルコラボレーティブランキングモデル NSCR を提示する。

ABSTRACT

Online platforms can be divided into information-oriented and social-oriented domains. The former refers to forums or E-commerce sites that emphasize user-item interactions, like Trip.com and Amazon; whereas the latter refers to social networking services (SNSs) that have rich user-user connections, such as Facebook and Twitter. Despite their heterogeneity, these two domains can be bridged by a few overlapping users, dubbed as bridge users. In this work, we address the problem of cross-domain social recommendation, i.e., recommending relevant items of information domains to potential users of social networks. To our knowledge, this is a new problem that has rarely been studied before. Existing cross-domain recommender systems are unsuitable for this task since they have either focused on homogeneous information domains or assumed that users are fully overlapped. Towards this end, we present a novel Neural Social Collaborative Ranking (NSCR) approach, which seamlessly sews up the user-item interactions in information domains and user-user connections in SNSs. In the information domain part, the attributes of users and items are leveraged to strengthen the embedding learning of users and items. In the SNS part, the embeddings of bridge users are propagated to learn the embeddings of other non-bridge users. Extensive experiments on two real-world datasets demonstrate the effectiveness and rationality of our NSCR method.

研究の動機と目的

• 情報ドメイン（例：Trip.com）とソーシャルネットワーク（例：Facebook、Twitter）をブリッジユーザーを介してつなぐことで、クロスドメインのソーシャル推奨問題を動機づける。
• 情報ドメインにおけるユーザー・アイテム・属性の相互作用をモデル化する、属性対応のニューラルレコメンダを開発する。
• グラフベースのスムースさ制約を介してソーシャルドメインでブリッジユーザーの埋め込みを伝播させ、非ブリッジユーザーに情報を伝える。
• スパースなブリッジユーザーデータを扱うために、情報ドメイン学習とソーシャルドメイン学習を共通の埋め込み空間の下で結合する。
• NSCR をバイアスの基準に対して検証するため、2つの現実世界データセットと包括的な実験を提供する Baselines 対比。

提案手法

• IDと属性を用いたペアワイズプーリング操作でユーザーとアイテムの埋め込みを学習し、ユーザー・アイテム・属性間の相互作用を捉える属性対応の深層協調フィルタリング。
• 情報ドメイン学習（L_I）とソーシャルドメイン学習（L_S）を共有ブリッジユーザ埋め込み（L_I ∩ L_S nonempty）で分離して学習する埋め込みベースのフレームワーク。
• 情報ドメイン学習は、埋め込みの要素積の上に深層MLPを備えたニューラルネットワークを最適化する、観測/未観測の相互作用に対するペアワイズランキング目的を使用。
• ソーシャルドメイン学習は、グラフラプラシアンに基づくスムースさ項でブリッジユーザー埋め込みをソーシャルネットワークに伝播させ、異なるドメイン間でアンカーの整合性をフィット制約として課す。
• ソーシャルユーザーの予測は、同じニューラルアーキテクチャを用いて埋め込みとアイテム埋め込みを組み合わせ、ランキングのための y_hat を生成する。
• トレーニングは交互最適化で行い：情報ドメインは SGD とネガティブサンプリング、ソーシャルドメインはグラフベースの閉形式更新を適用；ドロップアウトはペアワイズプーリングと隠れ層に適用される。

実験結果

リサーチクエスチョン

• RQ1 NSCR はクロスドメインのソーシャル推奨タスクで最先端の方法を上回るか？
• RQ2 ハイパーパラメータ（例：ドロップアウト、トレードオフ mu） は NSCR の性能にどう影響するか？
• RQ3 情報ドメインの相互作用から学習を深い隠れ層で改善できるか？
• RQ4 ブリッジユーザー埋め込みをソーシャルドメインの非ブリッジユーザーへどれだけ効果的に伝播できるか？
• RQ5 属性を組み込むことが推奨品質に与える影響は？

主な発見

• NSCR は Trip.com と Facebook/ Twitter を用いた構築されたクロスドメインデータセットにおいて、AUC および Recall@5 指標でベースライン手法を上回る。
• ペアワイズプーリングによる属性モデリングは、単純なプーリングよりユーザー・アイテム・属性の相関を捉えるのに有効である。
• ドメイン固有の学習を共有ブリッジユーザ埋め込みで分離することで、情報ドメインのアイテムとソーシャルドメインのユーザーの効果的な整合が可能になる。
• 正規化されたラプラシアンを用いたグラフベースのソーシャル伝播は、非ブリッジユーザーへの埋め込み伝播を改善し、学習を安定化させる。
• 実験はハイパーパラメータ設定に対するロバスト性を示し、クロスドメイン推奨における属性の組み込みの利点を裏付ける。