[論文レビュー] Leveraging Long and Short-term Information in Content-aware Movie Recommendation

Wei Zhao, Chai, Haixia+5 more|arXiv (Cornell University)|Dec 25, 2017

Recommender Systems and Techniques参考文献 29被引用数 5

ひとこと要約

本稿では、敵対的訓練を用いて、長期的（行列分解）および短期的（RNNベース）ユーザーの好みを統合することで、コンテンツに適応した映画推薦モデルであるLSICを提案する。映画ポスターの特徴を統合し、強化学習を用いた生成器・識別器フレームワークを採用することで、Netflix-3MおよびMovieLensデータセットにおいてトップ10順位付けで最先端の性能を達成した。

ABSTRACT

Movie recommendation systems provide users with ranked lists of movies based on individual's preferences and constraints. Two types of models are commonly used to generate ranking results: long-term models and session-based models. While long-term models represent the interactions between users and movies that are supposed to change slowly across time, session-based models encode the information of users' interests and changing dynamics of movies' attributes in short terms. In this paper, we propose an LSIC model, leveraging Long and Short-term Information in Content-aware movie recommendation using adversarial training. In the adversarial process, we train a generator as an agent of reinforcement learning which recommends the next movie to a user sequentially. We also train a discriminator which attempts to distinguish the generated list of movies from the real records. The poster information of movies is integrated to further improve the performance of movie recommendation, which is specifically essential when few ratings are available. The experiments demonstrate that the proposed model has robust superiority over competitors and sets the state-of-the-art. We will release the source code of this work after publication.

研究の動機と目的

• 既存の推薦モデルが長期的または短期的ユーザー行動にのみ焦点を当てているという限界を是正すること。
• 映画ポスターの視覚的コンテンツを統合することで、低評価データのシナリオにおける推薦性能を向上させること。
• 行列分解による長期的ユーザー好みとRNNによる短期的行動ダイナミクスを効果的に統合する統一フレームワークの構築。
• 生成器・識別器の構成を用いた敵対的訓練により、モデルの頑健性と順位付けの質を向上させること。
• セッション長さと候補セットサイズが推薦性能に与える影響を調査すること。

提案手法

• LSICモデルは、ユーザー履歴と時刻に基づいて順次映画を推薦する強化学習エージェントとしての生成モデル（G）を用いる。
• 識別モデル（D）はシアン型ネットワークとして訓練され、本物のユーザーインタラクションシーケンスと生成されたシーケンスを区別する。これにより敵対的訓練が可能になる。
• 生成器は方策勾配強化学習で訓練され、識別器が提供する報酬により推薦品質を向上させる。
• 映画ポスターの特徴はCNNを用いて抽出され、ユーザーおよびアイテム埋め込み空間に統合され、コンテンツに適応した推薦を強化する。
• 再順序付け戦略が採用されており、まず行列分解（MF）で候補映画をフィルタリングし、その後LSICで再順序付けすることで推論コストを削減する。
• モデルは長期的（MF）および短期的（RNN）表現を統合しており、RNNはセッションにわたるユーザーの関心の動的変化を捉える。

実験結果

リサーチクエスチョン

• RQ1 長期的および短期的ユーザー好みを統合することで、トップ-N映画推薦の性能が向上するか？
• RQ2 視覚的ポスター内容を統合すると、特に低評価データ環境下での推薦精度にどのような影響を与えるか？
• RQ3 生成器・識別器フレームワークを用いた敵対的訓練は、推薦品質と多様性をどの程度向上させるか？
• RQ4 短期的モデリングに使用するセッションウィンドウ長さは、モデルの性能にどの程度感受するか？
• RQ5 再順序付けの最適な候補セットサイズは何か？また、推論効率と順位付け精度にどのような影響を与えるか？

主な発見

• LSICはNetflix-3MおよびMovieLensデータセットの両方で最先端の性能を達成し、Precision@5およびNDCG@5においてIRGAN、RNN、LambdaFMその他の最先端モデルを上回った。
• アブレーションスタディの結果、強化学習が性能向上に最も寄与しており、次にポスター情報が続く。両者とも順位付けの質を顕著に向上させた。
• モデルは好意的な映画をより高い順位にランク付けできた。例えば、ユーザー'8003'において'9 souls'が5位から1位に上昇した。また、他のモデルが見逃すような新規で関連性の高いタイトル、例えば'Session 9'や'The Last Valley'を効果的に推薦した。
• MF候補100個での再順序付けが最適な性能を示した。これ以上になると、低品質で長尾に位置する候補が含まれるようになり、性能が低下した。
• RNN部は後続のセッションでますます効果的になることが示された。これは、十分なインタラクション履歴がある場合、短期的モデリングが推薦を向上させることを示している。
• 学習曲線から、著しい劣化なしに安定した学習が確認され、推論には最高性能を示した生成器が選択された。