[論文レビュー] KB4Rec: A Dataset for Linking Knowledge Bases with Recommender Systems

Wayne Xin Zhao, Gaole He+4 more|arXiv (Cornell University)|Jul 30, 2018

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

ひとこと要約

KB4Rec v1.0 は、推薦システムの主要3データセット（MovieLens、LFM-1b、Amazon Book）を Freebase にリンクする公開データセットであり、知識を活用した推薦を可能にする。アイテムを構造的な KB エンティティにリンクすることで、知識強化型の順序付き推薦モデル KSR が、すべてのデータセットで他のモデルを上回ることを実証した。LFM-1b では NDCG@10 が最大 0.460 を達成した。

ABSTRACT

To develop a knowledge-aware recommender system, a key data problem is how we can obtain rich and structured knowledge information for recommender system (RS) items. Existing datasets or methods either use side information from original recommender systems (containing very few kinds of useful information) or utilize private knowledge base (KB). In this paper, we present the first public linked KB dataset for recommender systems, named KB4Rec v1.0, which has linked three widely used RS datasets with the popular KB Freebase. Based on our linked dataset, we first preform some interesting qualitative analysis experiments, in which we discuss the effect of two important factors (i.e. popularity and recency) on whether a RS item can be linked to a KB entity. Finally, we present the comparison of several knowledge-aware recommendation algorithms on our linked dataset.

研究の動機と目的

• 推薦システムのアイテムと構造的な知識ベースを結びつける、公開可能で大規模なデータセットの不足に対処すること。
• 統一的かつ公開可能なアイテム-KB エンティティマッピングのデータセットを提供することで、知識を活用した推薦を可能にすること。
• 人気度と新規性が、RS アイテムの KB エンティティへの成功リンクに与える影響を分析すること。
• 共通で標準化されたベンチマーク上で、複数の知識を活用した推薦アルゴリズムを評価・比較すること。

提案手法

• MovieLens、LFM-1b、Amazon Book の3つの広く使われているRSデータセットのアイテムを、IDベースのマッチングにより Freebase 知識ベースのエンティティにヒューリスティックにリンクする。
• TransE を用いて学習された低次元埋め込みを用いてKB情報を表現し、三項の数が5,000未満の関係は除外する。
• SVDFeature や BPR などの協調フィルタリングモデルにおいて、リンクされた埋め込みをコンテキスト特徴として使用する。
• 4つの知識を活用した推薦モデル（BPR、SVDFeature、mCKE（簡略化版）、KSR）を実装・比較する。KSR はKB埋め込みをメモリ拡張型順序付きモデルに統合する。
• ペairワイズランキング損失を用いてモデルを訓練し、最後のアイテム推薦タスクにおいて MRR、Hit@10、NDCG@10 を評価する。
• mCKE および KSR において、公平な比較のため、訓練中にKB埋め込みを固定し、事前に学習済みの TransE 埋め込みを使用する。

実験結果

リサーチクエスチョン

• RQ1 RS アイテムの人気度と新規性は、知識ベースのエンティティへの成功リンク確率にどのように影響を与えるか？
• RQ2 共通でリンクされたデータセット上で訓練された場合、知識を活用した推薦モデルは、標準的な協調フィルタリングに比べてどの程度性能が向上するか？
• RQ3 特徴ベース vs. メモリ拡張型といった、異なる知識統合戦略の推薦効果は、どのように比較できるか？
• RQ4 KSR や mCKE のような最先端の知識を活用したモデルは、標準化され、公開可能なベンチマーク上で、どの程度の性能を示すか？

主な発見

• KSR は、3つのデータセットすべてで他のモデルを常に上回り、LFM-1b データセットでは MRR（0.427）、Hit@10（0.607）、NDCG@10（0.460）の最高値を達成した。
• KB埋め込みをコンテキスト特徴として組み込む SVDFeature は、BPR よりも顕著に性能を向上させ、特にスパarsityが大きい書籍および音楽データセットで顕著だった。
• mCKE は、KSR や SVDFeature よりも大多数のデータセットで性能が低く、実装上KB埋め込みが固定されていることが原因で、元のアダプティブモデルとは異なるためと推測される。
• 知識情報を利用しない BPR は、すべてのデータセットで最も成績が悪く、知識統合の価値を強調している。
• 定性的な分析から、人気度と新規性の両方が、RS アイテムのKBエンティティへのリンク成功確率に顕著な影響を与えることが明らかになった。
• KB4Rec v1.0 データセットは再現可能なベンチマークを可能にし、公開されたKBを大規模な知識を活用した推薦に活用する可能性を示した。