[論文レビュー] Movie rating prediction using content-based and link stream features

Tiphaine Viard, Raphaël Fournier-S’niehotta|arXiv (Cornell University)|May 8, 2018

Image and Video Quality Assessment参考文献 17被引用数 6

ひとこと要約

本論文では、ユーザー・アイテム相互作用の時間的ダイナミクスと構造的パターンを捉えるリンクストリーム特徴量と、コンテンツベース特徴量を組み合わせたXGBoostモデルを用いて、映画評価予測のための新規アプローチを提案する。この手法は、コンテンツベースのベースラインを著しく上回り、リンクストリームが協調フィルタリングの性能と解釈可能性を向上させる可能性を示している。MovieLens 20Mデータセットで実験した結果、優れた性能を発揮した。

ABSTRACT

While graph-based collaborative filtering recommender systems have been introduced several years ago, there are still several shortcomings to deal with, the temporal information being one of the most important. The new link stream paradigm is aiming at extending graphs for correctly modelling the graph dynamics, without losing crucial information. We investigate the impact of such link stream features for recommender systems. by designing link stream features, that capture the intrinsic structure and dynamics of the data. We show that such features encode a fine-grained and subtle description of the underlying recommender system. Focusing on a traditional recommender system context, the rating prediction on the MovieLens20M dataset, we input these features along with some content-based ones into a gradient boosting machine (XGBoost) and show that it outperforms significantly a sole content-based solution. These encouraging results call for further exploration of this original modelling and its integration to complete state-of-the-art recommender systems algorithms. Link streams and graphs, as natural visualizations of recommender systems, can offer more interpretability in a time when algorithm transparency is an increasingly important topic of discussion. We also hope to sparkle interesting discussions in the community about the links between link streams and tensor factorization methods: indeed, they are two sides of the same object.

研究の動機と目的

• ユーザー・アイテム相互作用の時間的ダイナミクスと構造的パターンをモデル化するリンクストリーム特徴量が、映画評価予測に与える影響を調査すること。
• コンテンツベースモデルに比べ、リンクストリームベースの記述子が大規模レコメンデーションシステムにおいて性能を向上させるかどうかを評価すること。
• リンクストリーム特徴量の解釈可能性と透明性が、アルゴリズムの説明可能性に関する懸念に対し、協調フィルタリングにおいてどのように向上するかを探索すること。
• 動的ネットワーク解析とレコメンデーションシステムのギャップを埋めるために、リンクストリームを時間発展する相互作用をモデル化する自然なフレームワークとして導入すること。
• 最先端の推薦アルゴリズムへのリンクストリーム特徴量の統合を促進し、テンソル因子分解との関連性を検討するための今後の研究を刺激すること。

提案手法

• 各相互作用をユーザーとアイテムの間の時刻付きリンクとして表現する二部グラフリンクストリームとして、ユーザー・アイテム相互作用データをモデル化し、時間的ダイナミクスを保持する。
• 時間的近隣密度、動的媒介性、クラスタリング係数などのリンクストリーム特徴量を抽出し、進化する相互作用パターンを捉える。
• これらの動的特徴量を、映画ジャンルやユーザーの人口統計情報などの従来のコンテンツベース特徴量と統合し、統一された特徴行列を構築する。
• 0.5～5のスケールの評価予測を目的として、組み合わせた特徴量セットを用いて勾配ブースティングマシン（XGBoost）を学習する。
• 時間ボックス化されたユーザー・アイテム行列の系列を用いて、リンクストリームモデルが解像度を失わず時間的進化を表現できるかを検証する。
• MovieLens 20Mデータセットを用い、標準的な回帰指標を用いて性能を評価し、コンテンツ中心のモデルおよび最先端のベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 時間的および構造的ダイナミクスをエンコードするリンクストリーム特徴量は、協調フィルタリングにおける評価予測性能を向上させることができるか？
• RQ2 大規模データセット（MovieLens 20M）において、リンクストリームベース特徴量は、純粋にコンテンツベースの特徴量に比べて予測精度で優れているか？
• RQ3 リンクストリーム特徴量は、推薦意思決定の解釈可能性と説明可能性をどの程度向上させるか？
• RQ4 ユーザー評価の予測に最も寄与する動的構造的特性（例：近隣密度、中心性）は何か？
• RQ5 リンクストリームモデリングは、モデルの解釈可能性を損なわずに、既存の協調フィルタリングフレームワークに時間的ダイナミクスを統合する基盤として機能できるか？

主な発見

• XGBoostモデルにリンクストリーム特徴量とコンテンツベース特徴量を統合した結果、MovieLens 20Mデータセットにおいて、コンテンツベースのみのベースラインを著しく上回る評価予測の正確性が達成された。
• リンクストリーム特徴量は、静的グラフを越えた、微細で繊細で意味のあるユーザー・アイテム相互作用ダイナミクスの表現をエンコードしており、時間的進化と構造的パターンを捉えている。
• 提案手法は最先端の性能にわずかに劣るが、さらなる最適化と特徴量工学の余地があることを示している。
• リンクストリームの使用により、近隣密度や媒介性といった動的特徴量が推薦の根拠を直感的に説明できるため、モデルの解釈性が向上した。
• 本研究では、リンクストリームが時間発展するレコメンデーションシステムの自然で強力なモデリングフレームワークとして機能できることを示した。これは、グラフ理論と時間的ネットワーク解析の橋渡しの役割を果たす。
• 研究者たちは、リンクストリームに適したコミュニティ検出や中心性測定の開発が今後のアルゴリズム開発の有望な方向性であると特定した。