[論文レビュー] LA-CTR: A Limited Attention Collaborative Topic Regression for Social Media

Jeon-Hyung Kang, Kristina Lerman|arXiv (Cornell University)|Nov 5, 2013

Complex Network Analysis Techniques参考文献 23被引用数 22

ひとこと要約

本論文は、友人の投稿におけるユーザーの関心と注目度の重みを同時にモデル化することで、限られた非一様なユーザーの注目をソーシャルメディア推薦に統合する協調的トピック回帰モデルLA-CTRを提案する。Diggのニュース投稿に対するユーザーの投票予測において、CTR や CTR-smf といった最先端のモデルを上回る性能を示しており、認知的制約（注目度の不足、選択的注目）を捉えることで、推薦の正確性が向上することを示している。

ABSTRACT

Probabilistic models can learn users' preferences from the history of their item adoptions on a social media site, and in turn, recommend new items to users based on learned preferences. However, current models ignore psychological factors that play an important role in shaping online social behavior. One such factor is attention, the mechanism that integrates perceptual and cognitive features to select the items the user will consciously process and may eventually adopt. Recent research has shown that people have finite attention, which constrains their online interactions, and that they divide their limited attention non-uniformly over other people. We propose a collaborative topic regression model that incorporates limited, non-uniformly divided attention. We show that the proposed model is able to learn more accurate user preferences than state-of-art models, which do not take human cognitive factors into account. Specifically we analyze voting on news items on the social news aggregator and show that our model is better able to predict held out votes than alternate models. Our study demonstrates that psycho-socially motivated models are better able to describe and predict observed behavior than models which only consider latent social structure and content.

研究の動機と目的

• 行動心理学と統計的推薦モデルの間のギャップを埋めるために、限られた注目度といった認知的制約を協調フィルタリングに組み込むこと。
• ユーザーが友人に対してどのように限られた注目を割り当てているかをモデル化することで、ソーシャルメディアにおけるアイテム採用予測の正確性を向上させること。
• トピック固有の関心と影響力のあるユーザーに対する注目度の重みを捉える解釈可能なユーザープロファイルを提供すること。
• 認知的要因（注目度）を無視するモデルと比較して、注目度に配慮したモデルが現実のユーザー行動をよりよく予測できるかどうかを評価すること。
• 心理的メカニズム（注目度）を統合することで、より正確で説明可能な推薦が得られることを示すこと。

提案手法

• 友人の投稿の内容におけるトピック分布として、ユーザー固有の友人に対する注目度分布を導入することで、CTRモデルを拡張する。
• ユーザーが各友人に対してどの程度注目するかを、トピックごとに変化する影響力重み（s_i）として定式化し、親しいまたは関連性の高い友人への好ましい注目を反映する。
• アイテム採用をユーザーの関心（u_i）、友人への注目度（φ_il）、影響力（s_il）の関数としてモデル化する生成的確率的フレームワークを採用し、アイテムのコンテンツに対してトピックモデリングを適用する。
• 変分ベイズ推論を用いて、ユーザーの関心ベクトル、注目度分布、影響力パラメータなどの潜在変数を推定し、ユーザー・アイテムの採用とコンテンツの同時尤度を用いる。
• 注目度、影響力、トピックモデリングの間の複雑な依存関係を扱うために、非共役の変分推論アプローチを採用する。
• 保証された投票に対する性能評価として、推薦アイテム数（X ∈ {20, 40, ..., 200}）を変化させた際のrecall@Xメトリクスを用いて、行列内での予測を実施する。

実験結果

リサーチクエスチョン

• RQ1 友人間における限られた非一様な注目をモデル化することで、ソーシャルメディア推薦タスクにおける予測正確性が向上するか？
• RQ2 友人のトピック固有の影響力を組み込むことで、全友人を同等に扱うモデルと比較して性能が向上するか？
• RQ3 LA-CTRは、Diggのニュース投稿に対するユーザーの投票予測において、CTR や CTR-smf といった最先端モデルと比較してどのように差をつけるか？
• RQ4 注目度の割り当てとユーザーの関心を区別することで、モデルがユーザー行動の解釈可能な説明を提供できるか？
• RQ5 注目度といった認知的制約を組み込むことで、単にソーシャル構造とコンテンツに依存するモデルと比較して、一般化性能が向上するか？

主な発見

• LA-CTRは、すべてのrecall@X評価においてCTRおよびCTR-smfを一貫して上回り、LA-CTRのrecall@100はCTR-smfのrecall@200を上回っている。
• たとえトピック数が50にとどまっても、200トピックで学習されたCTRおよびCTR-smfモデルを上回る性能を示しており、データ効率性とモデリング能力の優位性を示している。
• トピック空間を小さくすることで高い性能を達成していることから、トピックの複雑さを増すだけではなく、注目度モデリングがより価値をもたらしていることが示唆される。
• 図4は、LA-CTRが細かく分類された注目パターンを説明できることを示している。例えば、あるユーザーはスポーツトピックに関しては1人の友人に最も注目しているが、他の友人には異なる割合で注目を割り当てている。
• モデルは、最も可能性の高いアイテムだけでなく、採用の最も可能性の高い出所（ソース）も正しく予測できており、推薦システムにおけるソース帰属の可能性を示している。
• 複雑さがあるにもかかわらず、ユーザー・アイテム行列およびソーシャルネットワーク行列のスパarsityによって性能が低下することなく、現実のDiggデータ上でも効率的な推論を維持している。