[論文レビュー] Modeling User Exposure in Recommendation

Dawen Liang, Laurent Charlin+2 more|arXiv (Cornell University)|Oct 23, 2015

Recommender Systems and Techniques参考文献 30被引用数 4

ひとこと要約

本稿では、ユーザーのアイテム露出を潜在変数として明示的にモデル化し、露出とユーザーの好みを分離する確率的協調フィルタリングモデル、Exposure MF (ExpoMF) を提案する。露出をデータから推論し、露出共変数（例：コンテンツ、場所）を組み込むことで、最先端の手法を上回る推薦精度を達成し、共変数あり・なしの4つの多様なデータセットでベースラインを上回る。

ABSTRACT

Collaborative filtering analyzes user preferences for items (e.g., books, movies, restaurants, academic papers) by exploiting the similarity patterns across users. In implicit feedback settings, all the items, including the ones that a user did not consume, are taken into consideration. But this assumption does not accord with the common sense understanding that users have a limited scope and awareness of items. For example, a user might not have heard of a certain paper, or might live too far away from a restaurant to experience it. In the language of causal analysis, the assignment mechanism (i.e., the items that a user is exposed to) is a latent variable that may change for various user/item combinations. In this paper, we propose a new probabilistic approach that directly incorporates user exposure to items into collaborative filtering. The exposure is modeled as a latent variable and the model infers its value from data. In doing so, we recover one of the most successful state-of-the-art approaches as a special case of our model, and provide a plug-in method for conditioning exposure on various forms of exposure covariates (e.g., topics in text, venue locations). We show that our scalable inference algorithm outperforms existing benchmarks in four different domains both with and without exposure covariates.

研究の動機と目的

• クリックされていないアイテムが単に好ましくないのではなく、露出がなかったためにクリックされていないという、暗黙的フィードバック推薦の限界に対処する。
• 露出メカニズムを確率的モデルにおける潜在変数として形式化し、ユーザーの好みに対する整合的な推論を可能にする。
• クリックされていないアイテムに対するヒューリスティックな重み付けの緩和法よりも優れたスケーラブルな推論アルゴリズムを開発する。
• コンテンツや場所などの露出共変数をモデルに拡張し、露出推定と推薦パフォーマンスの向上を図る。
• 音楽、学術論文、ブックマーク、施設チェックインなど多様な分野において、フレームワークの有効性を示す。

提案手法

• ExpoMF は、ユーザー $u$ がアイテム $i$ に露出されたかどうかを表す潜在二値変数 $a_{ui}$ をモデル化し、確率的行列分解フレームワークを用いて、ユーザーの好みと露出を同時に推論する。
• 露出予測にはロジスティック回帰を用い、$\mathbb{E}[a_{ui}] = \sigma(\mathbf{\psi}_u^\top \mathbf{x}_i + \gamma_u)$ と定式化する。ここで $\mathbf{x}_i$ は露出共変数（例：トピックベクトル、施設の場所）を表す。
• 好みの推論は、ユーザー・アイテム相互作用をベルヌーイ試行としてモデル化し、クリック確率をユーザーの好みと露出の両方に依存させる。
• モデルは、ユーザーの好みと露出確率の推定を交互に繰り返すEMスタイルの反復的推論アルゴリズムを採用する。
• コンテンツベースの露出では、LDAから得られるトピックベクトルを共変数として使用する。場所ベースの露出では、施設の場所を $K$-means クラスタリングして露出特徴を定義する。
• 本フレームワークは、さまざまな共変数を組み込むことで、柔軟かつ解釈可能な露出推定が可能となる。

実験結果

リサーチクエスチョン

• RQ1 協調フィルタリングにおいて、ユーザーのアイテム露出を潜在変数としてどのようにモデル化すれば、推薦精度を向上させられるか？
• RQ2 露出と好みの推定を分離することで、クリックされていないアイテムに対するヒューリスティックな重み付けの緩和法よりも優れた性能が達成できるか？
• RQ3 アイテムのコンテンツや地理的場所といった露出共変数は、露出推定とその後続の推薦にどのように寄与するか？
• RQ4 提案されたモデルは、音楽、学術論文、ブックマーク、施設チェックインなど多様な分野に一般化可能か？
• RQ5 重み付き行列分解（WMF）やHuらの信頼度ベース手法よりも、本モデルは最先端の手法を上回る性能を示せるか？

主な発見

• ExpoMF は、音楽、学術的電子論文、ブックマーク、Gowallaの4つのデータセットすべてにおいて、Huら[8]の最先端手法を上回る。
• Gowallaデータセットでは、Location ExpoMFがRecall@20 0.129を達成し、WMF（0.122）と個別に $\mu_i$ を使用するExpoMF（0.118）を上回った。
• 露出共変数を用いることで、Content ExpoMF と Location ExpoMF は単純なExpoMFモデルを上回り、外部情報の統合による利点を示した。
• 露出共変数を組み込んだモデルのパフォーマンスは、ベースライン（場所を用いて推薦をフィルタリングする単純なFilterWMFを含む）を常に上回った。
• ヒューリスティックな重み付けの緩和法に対する理論的裏付けを提供し、露出の潜在変数モデル化によってその実行可能性を正当化した。
• 実証的結果から、共変数を用いた露出モデリングにより、露出が一様でない場合に特に、欠落した相互作用の予測精度が向上することが示された。