[論文レビュー] On the Relationship between Explanation and Recommendation: Learning to Rank Explanations for Improved Performance

Lei Li, Yongfeng Zhang+1 more|arXiv (Cornell University)|Feb 1, 2021

Recommender Systems and Techniques被引用数 4

ひとこと要約

本論文は、データスパarsityを軽減するための行列分解を用いて、説明選択を学習可能なランク付けタスクとして扱う共同ランク付けフレームワークを提案する。重み付き損失を用いてアイテム推薦と説明ランク付けを同時に最適化することで、推薦性能（NDCGで最大89.4％の相対的向上）と説明の質の両方を向上させ、テキスト付きの説明を含む3つの大規模データセットで検証された。

ABSTRACT

Explaining to users why some items are recommended is critical, as it can help users to make better decisions, increase their satisfaction, and gain their trust in recommender systems (RS). However, existing explainable RS usually consider explanation as a side output of the recommendation model, which has two problems: (1) it is difficult to evaluate the produced explanations because they are usually model-dependent, and (2) as a result, how the explanations impact the recommendation performance is less investigated. In this paper, explaining recommendations is formulated as a ranking task, and learned from data, similar to item ranking for recommendation. This makes it possible for standard evaluation of explanations via ranking metrics (e.g., NDCG). Furthermore, this paper extends traditional item ranking to an item-explanation joint-ranking formalization to study if purposely selecting explanations could reach certain learning goals, e.g., improving recommendation performance. A great challenge, however, is that the sparsity issue in the user-item-explanation data would be inevitably severer than that in traditional user-item interaction data, since not every user-item pair can be associated with all explanations. To mitigate this issue, this paper proposes to perform two sets of matrix factorization by considering the ternary relationship as two groups of binary relationships. Experiments on three large datasets verify the solution's effectiveness on both explanation ranking and item recommendation.

研究の動機と目的

• 推薦システムにおける説明のための標準化されたオフライン評価指標の欠如に対処すること。
• 高品質な説明の選択が推薦性能を向上させることを調査すること。
• 標準のユーザ-アイテム相互作用よりも深刻な、ユーザ-アイテム-説明トリプレットにおけるデータスパarsityを軽減すること。
• 共有表現を用いて、アイテム推薦と説明ランク付けを同時に最適化する統合フレームワークを開発すること。
• NDCGなどの標準ランク付け指標を用いて、定量的かつオフラインで説明を評価することを可能にすること。

提案手法

• 説明生成を、あるユーザに対してアイテムごとに説明をランク付けするタスクとして定式化し、推薦におけるアイテムランク付けと同様のアプローチを採用する。
• 重み付き損失関数（ハイパーパrameter α を含む）を用いて、アイテム推薦と説明ランク付けを同時に最適化する共同ランク付けフレームワークを導入する。
• 二段階の行列分解を適用し、三項関係（ユーザ-アイテム-説明）を二つの二項関係のグループとしてモデル化することで、スパarsityの影響を低減する。
• BPR、協調フィルタリング、パーソナライズドアイテム特徴に基づく三つのモデル（BPER-J、CD-J、PITF-J）を、共同学習に適応して採用する。
• NDCG、F1、MAP、MRRといった標準ランク付け指標を用いて、統合的なオフライン設定で説明の質と推薦性能の両方を評価する。
• 共同学習下での説明と推薦性能のトレードオフを分析するため、自己比較戦略を採用する。

Figure 1. A toy example of explanation ranking for a movie recommender system.

実験結果

リサーチクエスチョン

• RQ1 標準的なオフラインランク付け指標（例：NDCG）を用いて、モデルに依存しない形で説明の質を評価できるか？
• RQ2 説明ランク付けとアイテム推薦を共同で最適化することで、両タスクの性能が向上するか？
• RQ3 ユーザ-アイテム-説明トリプレットにおけるデータスパarsityがモデル性能に与える影響は何か？ また、それを効果的に軽減できるか？
• RQ4 高品質な説明の選択が、推薦性能の測定可能な向上をもたらすか？
• RQ5 共同学習フレームワークにおいて、説明の質と推薦精度の最適なトレードオフは何か？

主な発見

• 共同ランク付けフレームワークは、非共同ベースラインと比較して、NDCGで最大89.4％の向上を達成し、3つのデータセットすべてで顕著な向上を示した。
• 共同学習下では、すべてのモデルで説明ランク付け性能が向上し、特にCD-Jでは推薦タスクにおけるデータスパarsityの低減により顕著な向上が見られた。
• 最良の共同ランク付け設定では、アマゾンでのBPER-Jにおいて、説明のF1が25.0％向上し、推薦のF1が31.3％向上した。
• αの最適な値（例：アマゾンでのBPER-Jでは0.1〜0.6）が存在し、その範囲では説明と推薦の両方の性能が同時に向上する。これは相互に利益をもたらすことを示している。
• 共同ランク付けフレームワークは、説明と推薦のタスクを別々に学習する場合よりも一貫して優れた性能を示し、共有最適化の価値を確認した。
• 提案された二段階の行列分解は、三項関係におけるデータスパarsityを効果的に軽減し、信頼性のある共同学習を可能にした。

Figure 2. Illustration of user-item-explanation interactions.