[論文レビュー] Learning Optimal Social Dependency for Recommendation

Yong Liu, Peilin Zhao+3 more|arXiv (Cornell University)|Mar 15, 2016

Recommender Systems and Techniques参考文献 18被引用数 10

ひとこと要約

本稿では、行の精度行列を用いてユーザー間の正負の関係をモデル化する行列変量正規分布を用いた、新たな社会的推薦手法である確率的関係行列分解（PRMF）を提案する。PRMFは、複数の実世界データセットにおいて、RMSEおよびMAEの両面で最先端の手法を上回る性能を発揮し、特にレーティングデータから暗黙の社会的依存関係を学習する場合に顕著な効果を示す。

ABSTRACT

Social recommender systems exploit users' social relationships to improve the recommendation accuracy. Intuitively, a user tends to trust different subsets of her social friends, regarding with different scenarios. Therefore, the main challenge of social recommendation is to exploit the optimal social dependency between users for a specific recommendation task. In this paper, we propose a novel recommendation method, named probabilistic relational matrix factorization (PRMF), which aims to learn the optimal social dependency between users to improve the recommendation accuracy, with or without users' social relationships. Specifically, in PRMF, the latent features of users are assumed to follow a matrix variate normal (MVN) distribution. The positive and negative dependency between users are modeled by the row precision matrix of the MVN distribution. Moreover, we have also proposed an efficient alternating algorithm to solve the optimization problem of PRMF. The experimental results on real datasets demonstrate that the proposed PRMF method outperforms state-of-the-art social recommendation approaches, in terms of root mean square error (RMSE) and mean absolute error (MAE).

研究の動機と目的

• 推薦精度の向上を目的とした、ユーザー間の最も適切な社会的依存関係を特定する課題に対処すること。
• 明示的な社会的関係が存在しない状況でも、レーティング行動から暗黙の依存関係を学習することで、効果的な推薦手法を開発すること。
• 確率的行列分解フレームワークを用いて、ユーザー間の正負の両方の社会的依存関係をモデル化すること。
• 統一された確率的モデル内でユーザーの好みと社会的関係を同時に学習することで、推薦精度を向上させること。

提案手法

• PRMFは、行の精度行列がユーザー間の社会的依存関係を符号化する行列変量正規（MVN）分布を用いてユーザーの潜在的特徴をモデル化する。
• MVN分布における行の精度行列の構造により、正および負の依存関係が捉えられる。
• 確率的勾配降下法（SGD）と交替方向スケーリング法（ADMM）を組み合わせた効率的な逐次最適化アルゴリズムにより、PRMFの目的関数を解く。
• 明示的なソーシャルネットワーク情報が不要であるため、レーティングデータから社会的依存行列を学習可能であり、低ソーシャルデータ環境への適用が可能となる。
• パラメータγによる正則化により、学習された社会的依存行列Θのスパarsityを制御し、精度と計算効率のバランスをとる。
• 暗黙の（PRMF^imp）および明示の（PRMF^exp）社会的関係学習の両方をサポートし、両設定で優れた性能を発揮する。

実験結果

リサーチクエスチョン

• RQ1 確率的行列分解モデルは、ユーザーの好みと最適な社会的依存関係を同時に学習することで、推薦精度を向上させることができるか？
• RQ2 レーティング行動から学習する暗黙の社会的依存関係は、事前に定義された社会的関係と比較して、推薦性能にどのように影響を与えるか？
• RQ3 学習された社会的依存行列のスパarsityが、推薦精度および計算効率に与える影響は何か？
• RQ4 PRMFは、多様なデータセットにおいて、RMSEおよびMAEの両面で最先端の社会的推薦手法を上回ることができるか？

主な発見

• CiaoデータセットではPRMF^impがPMFよりRMSEで7.05%改善し、Epinionsでは5.16%改善した。これは社会的依存関係を学習することの利点を示している。
• ML-100KではPRMF^impがSR^impよりRMSEで0.73%改善し、ML-1Mでは0.49%、Ciaoでは2.92%、Epinionsでは2.40%改善した。これは、学習された依存関係が事前定義された暗黙の依存関係を上回ることを示している。
• CiaoおよびEpinionsにおいて、PRMF^expはSR^expより平均で1.03%、LOCABALより3.60%、eSMFより2.77%RMSEが改善した。明示的関係を用いた場合の有効性が確認された。
• ML-100Kではγ = 0.3でΘのスパarsityが65.21%となり、RMSE = 0.9149を達成し、最良の競合手法SR^impより0.56%改善した。
• Ciaoではγ = 0.1でΘのスパarsityが79.74%の際に最良のRMSEが達成された。これは、スパースな依存行列が精度向上に寄与することを示している。
• 事前情報（明示的・暗黙的関係）による改善は限定的であり、モデルの核心的強みは外部の社会的構造に依存せず、データから依存関係を学習することにあり、その点が顕著である。