[論文レビュー] Neural Network Based Next-Song Recommendation

Kai-Chun Hsu, Szu-Yu Chou+2 more|arXiv (Cornell University)|Jun 24, 2016

Recommender Systems and Techniques参考文献 13被引用数 5

ひとこと要約

本論文では、自然言語処理にインspiredされた、ユーザーのプレイリストにおける順序的な聴取パターンをモデル化するために畳み込みニューラルネットワーク（CNN）を活用する、新しいニューラルネットワークベースの次曲推薦手法であるCNN-recを提案する。実世界の音楽データセット上で評価された結果、CNN-recは古典的な推薦システムを上回り、最先端の手法と同等の性能を達成した。これは、CNNが音楽推薦における順序的依存関係を捉えるのに有効であることを示している。

ABSTRACT

Recently, the next-item/basket recommendation system, which considers the sequential relation between bought items, has drawn attention of researchers. The utilization of sequential patterns has boosted performance on several kinds of recommendation tasks. Inspired by natural language processing (NLP) techniques, we propose a novel neural network (NN) based next-song recommender, CNN-rec, in this paper. Then, we compare the proposed system with several NN based and classic recommendation systems on the next-song recommendation task. Verification results indicate the proposed system outperforms classic systems and has comparable performance with the state-of-the-art system.

研究の動機と目的

• ユーザーの聴取シーケンスにおける次の曲を推薦する課題に、プレイリスト内の順序的依存関係をモデル化することで対処すること。
• 特にCNNを含むディープラーニング技術を、音楽推薦における順序的推薦タスクに応用することの可能性を調査すること。
• 提案されたモデルを、古典的な推薦システムおよび最先端のニューラルネットワークベースのアプローチと比較すること。
• 畳み込みネットワークがユーザーの聴取行動における時間的パターンを捉える有効性を評価すること。

提案手法

• 提案手法であるCNN-recは、1次元畳み込みニューラルネットワークを用い、ユーザーの聴取履歴を曲のシーケンスとして入力として処理する。
• シーケンス内の各曲は、学習された埋め込み層を用いて密度行列表現に変換される。
• 複数の異なるカーネルサイズの畳み込みフィルタを適用し、シーケンス全体にわたる局所的なパターンと依存関係を抽出する。
• 畳み込みの後にプーリング層を適用し、シーケンス長を短縮するとともに、高レベルの特徴を抽出する。
• 最終的な表現は、全結合層を経て、その後にソフトマックス層に供給され、候補リスト内の次の曲を予測する。
• モデルは、次の曲予測タスクにおける予測誤差を最小化するために、交差エントロピー損失を用いてエンドツーエンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 畳み込みニューラルネットワークは、次曲推薦の文脈で、音楽聴取行動の順序的パターンを効果的にモデル化できるか？
• RQ2 提案されたCNNベースのモデルの性能は、従来の協調フィルタリングや行列分解法と比べてどうか？
• RQ3 CNN-recモデルは、最先端のニューラルネットワークベースの推薦システムと同等の性能を達成できるか？
• RQ4 畳み込みフィルタによる局所的パターン抽出が、推薦精度の向上に果たす貢献は何か？

主な発見

• CNN-recは、協調フィルタリングや行列分解といった古典的な推薦システムを、次曲予測精度において上回った。
• 同じベンチマークデータセット上で、最先端のニューラルネットワークベースの推薦システムと同等の性能を達成した。
• 畳み込み層における複数のカーネルサイズの使用により、異なる時間スケールでの多様な順序的パターンをモデルが捉えることが可能になった。
• アブレーションスタディの結果、CNNによる順序モデリングの導入が、非順序的ベースラインと比較して推薦品質を顕著に向上させたことが確認された。