[論文レビュー] Matrix Factorization with Explicit Trust and Distrust Relationships

Rana Forsati, Mehrdad Mahdavi+2 more|arXiv (Cornell University)|Aug 2, 2014

Recommender Systems and Techniques参考文献 62被引用数 4

ひとこと要約

本論文は、ユーザ間の信頼関係と不審関係を明示的に組み込んだ行列分解モデルを提案し、推薦精度を向上させるとともに、データのスパarsity問題とコールドスタート問題を緩和する。統合最適化フレームワークに両方の社会的関係を統合することで、Epinionsデータセットにおいて、信頼関係のみ、不審関係のみのベースラインを上回る性能を示し、不審情報が推薦品質を顕著に向上させることを実証した。

ABSTRACT

With the advent of online social networks, recommender systems have became crucial for the success of many online applications/services due to their significance role in tailoring these applications to user-specific needs or preferences. Despite their increasing popularity, in general recommender systems suffer from the data sparsity and the cold-start problems. To alleviate these issues, in recent years there has been an upsurge of interest in exploiting social information such as trust relations among users along with the rating data to improve the performance of recommender systems. The main motivation for exploiting trust information in recommendation process stems from the observation that the ideas we are exposed to and the choices we make are significantly influenced by our social context. However, in large user communities, in addition to trust relations, the distrust relations also exist between users. For instance, in Epinions the concepts of personal "web of trust" and personal "block list" allow users to categorize their friends based on the quality of reviews into trusted and distrusted friends, respectively. In this paper, we propose a matrix factorization based model for recommendation in social rating networks that properly incorporates both trust and distrust relationships aiming to improve the quality of recommendations and mitigate the data sparsity and the cold-start users issues. Through experiments on the Epinions data set, we show that our new algorithm outperforms its standard trust-enhanced or distrust-enhanced counterparts with respect to accuracy, thereby demonstrating the positive effect that incorporation of explicit distrust information can have on recommender systems.

研究の動機と目的

• 協調フィルタリングにおけるデータスパarsityおよびコールドスタート問題を、社会的関係の活用によって解決すること。
• 従来の信頼関係に加え、未利用に近い明示的な不審関係の潜在的価値を検討すること。
• 信頼関係と不審関係をサイド情報として統合した一様な行列分解フレームワークを構築すること。
• 不審関係を組み込むことで、信頼関係のみのモデルを上回る推薦精度が実証されることを実験的に検証すること。
• 提案フレームワークにおける確率的勾配降下法と勾配降下法の最適化挙動および収束特性を調査すること。

提案手法

• 標準的な行列分解を拡張し、ユーザ間の信頼関係と不審関係に対して別々の潜在要因更新を導入する。
• 観測された評価点での予測誤差を最小化するとともに、信頼および不審関係との不整合をペナルティ化する最適化問題を定式化する。
• 評価予測誤差と、信頼および不審制約に対するヘッジ損失項を組み合わせた目的関数を採用し、信頼関係にあるユーザの評価がより大きな影響を及えるように保証する。
• 目的関数の最適化に、フル勾配降下法（GD）とバッチサイズを変化させた確率的勾配降下法（SGD）を併用する。
• バイアスのない勾配推定を用いる最適化フレームワークでは、バッチサイズが勾配の分散を制御することで収束速度に影響を与える。
• モデルは、ユーザ間の明示的な信頼および不審関係を含むEpinionsデータセットで学習される。

実験結果

リサーチクエスチョン

• RQ1 明示的な不審関係は、従来の信頼ベースのモデルを上回る推薦精度を向上させることができるか？
• RQ2 信頼関係と不審関係の両方を統合することで、データスパarsityおよびコールドスタート問題の緩和にどの程度寄与するか？
• RQ3 提案フレームワークにおける最適化戦略（GD 対 SGD、異なるバッチサイズ）の相対的性能は？
• RQ4 信頼および不審制約は、最適化プロセスの収束挙動にどのように影響を与えるか？
• RQ5 一様な行列分解モデルは、1つの学習フレームワーク内で信頼と不審の信号を効果的にバランスさせることができるか？

主な発見

• 信頼と不審の両方を組み込んだ本モデルは、RMSEおよびRME精度指標において、信頼関係のみ、不審関係のみのベースラインを上回る性能を示した。
• フル勾配降下法（GD）は、収束が早く、目的関数が単調に減少するが、SGD手法は分散が高くなるが1イタレーションあたりのコストが低い。
• SGDにおいて、バッチサイズを大きく（例：B=0.3*|Ω_S|）することで、分散が低減され、収束が速くなる。
• 本モデルは、不審情報が価値あるサイド情報であることを示し、推薦品質の顕著な向上を実現した。
• ヘッジ損失関数は、指数関数的損失よりも予測精度で優れていたが、後者は滑らかな最適化に適していた。
• 実験結果から、信頼と不審の両方を組み込むことで、特にコールドスタートユーザに対してより強固で正確な推薦が得られると示唆された。