[論文レビュー] Making Use of Affective Features from Media Content Metadata for Better Movie Recommendation Making.

John Kalung Leung, Igor Griva+1 more|arXiv (Cornell University)|Jul 1, 2020

Sentiment Analysis and Opinion Mining参考文献 19被引用数 6

ひとこと要約

本稿では、映画のメタデータから抽出した感情特徴を統合することで、映画推薦の精度を向上させる手法を提案する。トランスファーラーニングを用いたテキストベースの感情検出モデルを用い、映画の概要から感情タグを抽出し、それらをユーザの評価ベクトルと組み合わせることで、SVD-CFフレームワークにおける距離指標を用いてトップ5リストの精度を60%向上させ、ベースラインの協調フィルタリングを上回る。

ABSTRACT

Our goal in this paper aims to investigate the causality in the decision making of movie recommendations from a Recommender perspective through the behavior of users' affective moods. We illustrate a method of assigning emotional tags to a movie by auto-detection of the affective attributes in the movie overview. We apply a text-based Emotion Detection and Recognition model, which trained by the short text of tweets, and then transfer the model learning to detect the implicit affective features of a movie from the movie overview. We vectorize the affective movie tags through embedding to represent the mood of the movie. Whereas we vectorize the user's emotional features by averaging all the watched movie's vectors, and when incorporated the average ratings from the user rated for all watched movies, we obtain the weighted vector. We apply the distance metrics of these vectors to enhance the movie recommendation making of a Recommender. We demonstrate our work through an SVD based Collaborative Filtering (SVD-CF) Recommender. We found an improved 60\% support accuracy in the enhanced top-5 recommendation computed by the active test user distance metrics versus $40\%$ support accuracy in the top-5 recommendation list generated by the SVD-CF Recommender

研究の動機と目的

• ユーザの感情的ムードが映画推薦意思決定に果たす役割を調査すること。
• 映画メタデータからの感情的特徴を統合することで、協調フィルタリングのパフォーマンスを向上させること。
• ツイートベースの感情モデルから転移学習を用いて、映画の概要から非表示の感情的属性を自動検出する手法を開発すること。
• 映画およびユーザの感情状態をベクトル埋め込みで表現し、類似度に基づく推薦を実現すること。
• 協調フィルタリングフレームワークにおける感情的ベクトル距離指標が推薦精度に与える影響を評価すること。

提案手法

• 短いツイートで事前学習されたテキストベースの感情検出モデルを、映画の概要における感情的属性の検出に微調整・転送する。
• 映画の説明から感情タグを抽出し、それぞれの映画のムードを表す密度ベクトル埋め込みに変換する。
• 視聴したすべての映画のベクトル埋め込みの平均値を計算することで、ユーザの感情的特徴を算出する。
• 視聴した映画におけるユーザの平均評価と組み合わせることで、重み付きユーザベクトルを構築する。
• ユーザと映画のムードベクトル間の類似度を距離指標を用いて計算し、推薦順序をガイドする。
• 強化された感情的ベクトル表現を、SVDに基づく協調フィルタリング（SVD-CF）レコメンデーションシステムに統合し、パフォーマンスを向上させる。

実験結果

リサーチクエスチョン

• RQ1 映画メタデータからの感情的特徴は、どのように映画推薦の精度を向上させるか？
• RQ2 視聴した映画から導出されるユーザのムードベクトルを統合することで、推薦パフォーマンスはどの程度向上するか？
• RQ3 ツイートで学習された感情検出モデルを、映画の概要から非表示の感情的属性を抽出するために効果的に転移できるか？
• RQ4 ユーザと映画のムードベクトル間の距離指標は、トップ5推薦の質にどのように影響するか？
• RQ5 感情的特徴をSVD-CFに統合した際の、推薦精度の測定可能な向上はどの程度か？

主な発見

• 提案手法は、感情的ベクトル距離指標を用いたトップ5推薦で60%のサポート精度を達成した。
• ベースラインのSVD-CFレコメンデーションシステムは、同じトップ5推薦タスクで40%のサポート精度にとどまった。
• 感情的特徴の統合により、標準的な協調フィルタリングと比較して、推薦パフォーマンスが顕著に向上した。
• ツイートベースの感情検出モデルを映画の概要に転移させることで、非表示の感情的属性の抽出に効果的であることが示された。
• 映画の埋め込みの平均値と評価値で重み付けされたユーザのムードベクトルは、推薦アイテムの関連性を向上させた。
• 感情に配慮したベクトル距離指標の使用により、推薦精度が20パーセンテージポイント向上した。