[論文レビュー] Loss Aversion in Recommender Systems: Utilizing Negative User Preference to Improve Recommendation Quality

Bibek Paudel, Sandro Luck+1 more|arXiv (Cornell University)|Dec 29, 2018

Recommender Systems and Techniques参考文献 6被引用数 8

ひとこと要約

本稿では、メトリック学習を用いてネガティブなユーザーの好みを明示的にモデル化することで、推薦品質を向上させる、新しい推薦システムであるTwo-Class Collaborative Metric Learning (TC-CML) を提案する。損失回避の原則を組み込むことで、トップ-k推薦におけるネガティブアイテムの数を削減し、精度を向上させ、Goodbooks-10kおよびMovielens 1Mの両データセットでCMLを上回る性能を発揮する。

ABSTRACT

Negative user preference is an important context that is not sufficiently utilized by many existing recommender systems. This context is especially useful in scenarios where the cost of negative items is high for the users. In this work, we describe a new recommender algorithm that explicitly models negative user preferences in order to recommend more positive items at the top of recommendation-lists. We build upon existing machine-learning model to incorporate the contextual information provided by negative user preference. With experimental evaluations on two openly available datasets, we show that our method is able to improve recommendation quality: by improving accuracy and at the same time reducing the number of negative items at the top of recommendation-lists. Our work demonstrates the value of the contextual information provided by negative feedback, and can also be extended to signed social networks and link prediction in other networks.

研究の動機と目的

• 推薦システムにおけるネガティブなユーザーフィードバックの未利用状態、特に高コストの失敗が発生する状況を是正すること。
• 行動経済学の損失回避理論を基に、明示的にネガティブな好みをモデル化することで、推薦品質を向上させること。
• 推薦リストの上位にネガティブに評価されたアイテムが現れるのを減らし、ユーザー体験を向上させること。
• 協調的メトリック学習（CML）を拡張し、ポジティブとネガティブなフィードバックを区別することで、ランク付け精度を向上させること。

提案手法

• 本手法は、協調的メトリック学習（CML）を拡張し、ポジティブおよびネガティブなユーザーの好みを明示的にモデル化する二クラスフィードバックフレームワークを導入する。
• 埋め込み空間におけるポジティブおよびネガティブなアイテム・ユーザーペア間のマージンを最適化するために、ハッジ損失を用いる。ポジティブペアでは距離を最小化し、ネガティブペアでは距離を最大化する。
• 各ユーザーについて、平均評点未満の評点はネガティブと分類され、平均評点以上はポジティブと分類され、二値フィードバック分類が可能になる。
• ミニバッチ学習とネガティブサンプリングを採用し、各ポジティブペアに対して、ハッジ損失を最も悪化させる（最大にする）ネガティブアイテムが選択される。
• 埋め込み次元数はグリッドサーチにより最適化され、ML-1Mではd=70、Goodbooks-10kではd=100が選ばれた。
• アイテム特徴量は、ユーザー生成タグから得られ、レアまたはスペルミスが発生しやすいエントリを除外した後、メトリック学習フレームワークの入力として使用される。

実験結果

リサーチクエスチョン

• RQ1 協調フィルタリングシステムにおいて、ネガティブなユーザーの好みを明示的にモデル化することで、推薦精度が向上するか？
• RQ2 損失回避の原則を組み込むことで、トップ-k推薦リストにおけるネガティブアイテムの出現確率はどの程度低下するか？
• RQ3 TC-CMLは、CMLと比較して、精度、再現率、およびトップ-kにおけるネガティブアイテムの頻度という観点で、どのように差がつくか？
• RQ4 スパarsityや評点分布の異なるデータセットにおいても、TC-CMLの性能向上効果は維持されるか？
• RQ5 提案手法は、符号付きネットワークにおけるリンク予測などの他のタスクへ一般化可能か？

主な発見

• Goodbooks-10kデータセットでは、TC-CMLがR@10で12.5%の向上（0.92 vs. 0.82）を達成し、P@10でも9%の向上（0.61 vs. 0.56）を示した。
• GoodbooksではNI@10が0.020から0.018に低下し、トップ推薦におけるネガティブアイテムの数が明確に減少したことが示された。
• より密度の高いML-1Mデータセットでは、TC-CMLがR@10を0.12から0.13、P@10を0.63から0.66に向上させ、トップ10の精度向上が顕著に見られた。
• ML-1MにおけるNI@10は0.031から0.028に低下し、TC-CMLが高影響度の位置におけるネガティブ推薦を効果的に削減していることが確認された。
• 本手法は、ネガティブフィードバックを明示的にモデル化しながら、すべての指標で性能を維持または向上させた。これは、推薦システムにおける文脈的損失回避の価値を示している。
• 結果から、メトリック学習を用いてネガティブフィードバックを統合することで、心理的コストを低減する観点から、精度とユーザー体験の両方が向上することが示唆された。