[論文レビュー] MaTrust: An Effective Multi-Aspect Trust Inference Model

Yuan Yao, Hanghang Tong+3 more|arXiv (Cornell University)|Nov 9, 2012

Access Control and Trust参考文献 34被引用数 3

ひとこと要約

MaTrustは、局所的信任評価から潜在要因を学習し、信頼バイアスなどの事前知識を指定された要因として組み込む、マルチアスペクト信頼推論モデルを提案する。PGPにおけるMAEで最高16.5%優れた精度と、MoleTrustに比べ最大350万倍の高速性を達成し、データサイズに比例して線形にスケーリングする。

ABSTRACT

Trust is a fundamental concept in many real-world applications such as e-commerce and peer-to-peer networks. In these applications, users can generate local opinions about the counterparts based on direct experiences, and these opinions can then be aggregated to build trust among unknown users. The mechanism to build new trust relationships based on existing ones is referred to as trust inference. State-of-the-art trust inference approaches employ the transitivity property of trust by propagating trust along connected users. In this paper, we propose a novel trust inference model (MaTrust) by exploring an equally important property of trust, i.e., the multi-aspect property. MaTrust directly characterizes multiple latent factors for each trustor and trustee from the locally-generated trust relationships. Furthermore, it can naturally incorporate prior knowledge as specified factors. These factors in turn serve as the basis to infer the unseen trustworthiness scores. Experimental evaluations on real data sets show that the proposed MaTrust significantly outperforms several benchmark trust inference models in both effectiveness and efficiency.

研究の動機と目的

• 単一の推移性に依存する既存の信頼推論モデルの限界を解決すること。
• 他のマルチアスペクトモデルとは異なり、局所的信任評価以外の追加入力データを必要としない信頼推論を可能にすること。
• グローバル信頼バイアス、信頼者バイアス、信頼対象バイアスといった事前知識を推論プロセスに直接組み込むこと。
• 大規模信頼ネットワークに適したスケーラブルで効率的なモデルの開発

提案手法

• 観測された信頼評価から得られる潜在要因を用いて、行列分解を用いて信頼をモデル化する。
• グローバルバイアス、信頼者バイアス、信頼対象バイアスの3種類の指定バイアス要因を導入し、事前知識を表現する。
• 信頼行列から潜在要因とバイアス係数を同時に学習する最適化タスクとして信頼推論問題を定式化する。
• 正則化を用いて過学習を防ぎ、一般化性能を確保する。効率的な推論のための閉形式解を提供する。
• 信頼行列を信頼者要因行列と信頼対象要因行列、およびバイアス成分に分解し、事前計算後に定数時間での予測を可能にする。
• 最適化に交互最小二乗法（ALS）を適用し、ユーザー数および観測された信頼ペア数に比例する計算量を実現する。

実験結果

リサーチクエスチョン

• RQ1 信頼を複数の潜在的側面としてモデル化することで、推移性のみに依存する手法と比較して推論精度が向上するか？
• RQ2 信頼バイアスのような事前知識を、追加の入力データを必要とせずに信頼推論に効果的に統合できるか？
• RQ3 最先端の信頼推論モデルと比較して、提案手法の精度と効率性はどの程度か？
• RQ4 潜在要因の数や正則化係数といったハイパーパrameterの変更に対して、モデルの感度はどの程度か？
• RQ5 ユーザー数および観測された信頼ペア数の増加に伴い、モデルは効率的にスケーリングできるか？

主な発見

• MaTrustはSVDおよびKBVよりもRMSEおよびMAEの両面で顕著に優れており、PGPデータセットではMAEが16.5%改善された。
• MoleTrustに比べ最大350万倍の高速な推論を達成し、実行時間はマイクロ秒単位で測定された。
• MaTrustはユーザー数および観測された信頼ペア数に比例して線形にスケーリングされ、大規模応用に適している。
• ハイパーパrameterの変更に対してもモデルは頑健である：潜在要因の数（r）および正則化係数（λ）の異なる値に対しても性能は安定している。
• バイアス係数を1に固定（KBVと同様）すると、それらを同時に学習する場合より性能が劣るため、エンドツーエンド最適化の有効性が確認された。
• MaTrustの事前計算ステージは、すべての欠損値を埋める必要があるGuhaのようなモデルが使用するO(n²)の空間計算量と比較して、O(|K| + nr + r²)の空間計算量にとどまる。