[論文レビュー] Nonparametric Preference Completion

Julian Katz-Samuels, Clayton Scott|arXiv (Cornell University)|May 24, 2017

Recommender Systems and Techniques参考文献 13被引用数 6

ひとこと要約

本稿では、ラップシッツ関数とユーザー固有の単調変換を用いてユーザー・アイテム評価をモデル化することで、非パrametricなk近傍法に類似した協調的好み補完手法を提案する。これは、順位指向の非パrametric的協調フィルタリングにおける最初の一致性結果を確立し、ユーザーおよびアイテムの特徴に関する緩い正則性条件の下で収束を示す。

ABSTRACT

We consider the task of collaborative preference completion: given a pool of items, a pool of users and a partially observed item-user rating matrix, the goal is to recover the \emph{personalized ranking} of each user over all of the items. Our approach is nonparametric: we assume that each item $i$ and each user $u$ have unobserved features $x_i$ and $y_u$, and that the associated rating is given by $g_u(f(x_i,y_u))$ where $f$ is Lipschitz and $g_u$ is a monotonic transformation that depends on the user. We propose a $k$-nearest neighbors-like algorithm and prove that it is consistent. To the best of our knowledge, this is the first consistency result for the collaborative preference completion problem in a nonparametric setting. Finally, we demonstrate the performance of our algorithm with experiments on the Netflix and Movielens datasets.

研究の動機と目的

• RMSEを最適化することを目的とする評価ベースの協調フィルタリング手法の限界、特に最適な順位付けをもたらさない可能性を是正すること。
• 低ランク構造や特定の確率分布モデルといった強いパラメトリック仮定を避ける非パrametricな好み補完フレームワークの構築。
• 非パrametricな設定下で、近傍ベースの順位指向の協調フィルタリングアルゴリズムに対する理論的一致性保証の提供。
• 提案モデル下での好み補完問題における最適性の必要十分条件の確立。

提案手法

• 各アイテムとユーザーを未観測の特徴 $x_i$ および $y_u$ でモデル化し、評価を $g_u(f(x_i, y_u))$ で与える。ここで $f$ はラップシッツ連続であり、$g_u$ は単調である。
• ユーザー間のペアワイズ一致回数を用いて、パーソナライズド順位を推定するk近傍法に類似したアルゴリズムを提案。
• アイテムペアにおける平均一致数に基づくユーザー類似度を定義し、ユーザーの好み構造を強固に比較可能にする。
• 近傍の多数決を用いてペアワイズ好みを予測し、完全なパーソナライズド順位を構築。
• 観測された評価数が増加するにつれて推定順位が真の順位に収束することを示すことにより、一貫性を証明。
• 幾何学的および確率的議論を活用し、緩い正則性条件の下でユーザー特徴が識別可能であることを確立。

実験結果

リサーチクエスチョン

• RQ1 強いパラメトリック仮定を要しない非パrametricかつ近傍ベースの協調フィルタリングアルゴリズムは、好み補完において一貫性を達成できるか？
• RQ2 局所的な類似構造を用いて、部分的に観測された評価から、信頼性の高いペアワイズ好み関係を推定する方法は何か？
• RQ3 非パrametricモデル下で、推定順位が真の潜在順位に収束するための条件は何か？
• RQ4 提案モデル下での好み補完問題における最適性の必要十分条件は存在するか？

主な発見

• 提案されたk-NNに類似したアルゴリズムは、ラップシッツ関数 $f$ と単調関数 $g_u$ を仮定する非パrametricモデル下で、データ量が増加するにつれて真の順位に収束する一貫性を示す。
• 低ランク構造やBradley-Terryモデルや多項ロジットモデルといった特定のパラメトリックモデルを仮定する必要なく、理論的一致性を達成する。
• 解の最適性の必要十分条件が導出され、モデルの仮定下でいつ順位が最適であるかを特徴づける。
• このフレームワークは線形モデルを一般化する：$f(\bm{x},\bm{y}) = \bm{x}^T\bm{y}$ は、1次元高い次元におけるユークリッド距離モデル $\|\tilde{\bm{x}} - \tilde{\bm{y}}\|_2$ に埋め込める。
• NetflixおよびMovielensデータセットにおける実験的評価により、優れた性能が確認され、本手法の実用的妥当性が示された。
• 理論的分析により、ユーザー特徴が特徴空間で十分に分離されている場合、アルゴリズムは高い確率で好みを区別できることが示された。