[論文レビュー] Link Prediction Approach to Recommender Systems

T. Jaya Lakshmi, S. Durga Bhavani|arXiv (Cornell University)|Feb 18, 2021

Recommender Systems and Techniques被引用数 4

ひとこと要約

本稿では、ユーザーとアイテムの相互作用を二部グラフとしてモデル化し、確率的および時間的リンク予測手法を活用することで、推薦システムにおけるリンク予測アプローチを提案する。時間的測定法、特に時間的共起確率（TCOP）が、従来の協調フィルタリングを上回ることを示しており、MovieLensデータセットにおいてAUROCは10%向上、AUPRは140%向上した。

ABSTRACT

The problem of recommender system is very popular with myriad available solutions. A novel approach that uses the link prediction problem in social networks has been proposed in the literature that model the typical user-item information as a bipartite network in which link prediction would actually mean recommending an item to a user. The standard recommender system methods suffer from the problems of sparsity and scalability. Since link prediction measures involve computations pertaining to small neighborhoods in the network, this approach would lead to a scalable solution to recommendation. One of the issues in this conversion is that link prediction problem is modelled as a binary classification task whereas the problem of recommender systems is solved as a regression task in which the rating of the link is to be predicted. We overcome this issue by predicting top k links as recommendations with high ratings without predicting the actual rating. Our work extends similar approaches in the literature by focusing on exploiting the probabilistic measures for link prediction. Moreover, in the proposed approach, prediction measures that utilize temporal information available on the links prove to be more effective in improving the accuracy of prediction. This approach is evaluated on the benchmark 'Movielens' dataset. We show that the usage of temporal probabilistic measures helps in improving the quality of recommendations. Temporal random-walk based measure T_Flow improves recommendation accuracy by 4% and Temporal cooccurrence probability measure improves prediction accuracy by 10% over item-based collaborative filtering method in terms of AUROC score.

研究の動機と目的

• 従来の協調フィルタリング推薦システムにおけるスケーラビリティおよびスパarsity問題に対処すること。
• 特に確率的および時間的測定法を含むリンク予測技術を、ユーザーとアイテムの推薦タスクに適応させること。
• 静的類似度測定法を超えて、時間的情報が推薦精度を向上させる程度を評価すること。
• 二部ユーザー・アイテムネットワークに特化した時間的共起確率（TCOP）測定法を提案および実装すること。
• 実世界のデータセット上で、提案手法を標準的な協調フィルタリングおよびベースラインリンク予測測定法と比較してベンチマークすること。

提案手法

• ユーザーとアイテムをノードとし、レーティングをエッジとする二部グラフとしてユーザーとアイテムの相互作用をモデル化する。
• 二部グラフ設定において、共通の近傍（Common Neighbors）、ジャカード係数（Jaccard）、アダミック・アダール（Adamic-Adar）、優先的アタッチメント（Preferential Attachment）などの標準的なリンク予測測定法を適用する。
• 共起確率のような確率的測定法を拡張し、タイムスタンプ付きの相互作用を組み込むために時間的共起確率（TCOP）を導入する。
• 時間的リンク予測測定法（Time Score（TS）、Link Score（LS）、T_Flow、TCOP）を用い、最近の相互作用に高い重みを付ける。
• トップ-k推薦を正確なレーティングを予測せずに生成し、AUROC、AUPR、Rank-scoreの指標を用いて推薦品質を評価する。
• すべての手法を、LPMadeツールを用いてMovieLens 1Mデータセットで評価し、デフォルトパラメータと標準化された類似度計算（ユーザー基準ではピアソン相関、アイテム基準ではコサイン類似度）を用いた。

実験結果

リサーチクエスチョン

• RQ1 二部ユーザー・アイテムネットワークにおけるリンク予測は、推薦システムにおいて、従来の協調フィルタリングのスケーラブルな代替手段として効果的か？
• RQ2 リンク予測測定法に時間的情報を組み込むことで、静的測定法と比較して推薦精度にどのような影響を与えるか？
• RQ3 共起確率や時間的共起確率のような確率的リンク予測測定法は、ベースライン手法と比較して、推薦品質をどの程度向上させるか？
• RQ4 提案された時間的共起確率（TCOP）測定法は、既存の時間的および非時間的リンク予測技術を上回るか？
• RQ5 提案されたリンク予測手法は、AUROC、AUPR、Rank-scoreの観点から、標準的なユーザー基準およびアイテム基準の協調フィルタリングと比較して、どのように差がつくか？

主な発見

• 時間的共起確率（TCOP）は、最高のAUROCスコア0.8165を達成し、アイテム基準の協調フィルタリング（0.7136）を10.2ポイント上回った。
• TCOPはAUPRを0.2351まで向上させ、次に良いスコアを出したT_Flow（0.0960）と比較して140%向上し、アイテム基準の協調フィルタリング（0.0491）と比較しても40%向上した。
• T_Flowは、アイテム基準の協調フィルタリングよりもAUROCを4%向上させ、時間的ランダムウォークモデリングの利点を示した。
• すべての時間的リンク予測測定法（TS_B、LS_B、TF_B、TCOP_B）が、すべての評価指標において、ユーザー基準およびアイテム基準の協調フィルタリングを上回った。
• Rank-score指標は、TCOPが最高のパフォーマンスを示し、8.6304のスコアを記録した。これは、アイテム基準の協調フィルタリング（3.0274）と比べて顕著に高い結果であった。
• 結果は、リンク予測に時間的ダイナミクスを組み込むことで、進化するユーザーの好みを捉える能力が向上し、推薦精度が向上することを裏付けた。