[論文レビュー] Online Dating Recommendations: Matching Markets and Learning Preferences

Kun Tu, Bruno Ribeiro+5 more|arXiv (Cornell University)|Jan 31, 2014

Sexuality, Behavior, and Technology参考文献 15被引用数 25

ひとこと要約

本稿では、メッセージ行動とユーザープロフィールに基づいてトレーニングされたLDAに基づく確率的モデルを用いて、送信者と受信者の両方の好みを統合的にモデル化するオンライン交際推薦のための二面的マッチングフレームワークを提案する。学習された受信者好みを組み込むことで、送信者のみの推薦と比較して、成功マッチ率が最大48%向上し、自己申告の特徴に頼るのではなく行動から実際の好みを学ぶ価値が示された。

ABSTRACT

Recommendation systems for online dating have recently attracted much attention from the research community. In this paper we proposed a two-side matching framework for online dating recommendations and design an LDA model to learn the user preferences from the observed user messaging behavior and user profile features. Experimental results using data from a large online dating website shows that two-sided matching improves significantly the rate of successful matches by as much as 45%. Finally, using simulated matchings we show that the the LDA model can correctly capture user preferences.

研究の動機と目的

• 送信者好みのみが考慮されるオンライン交際推薦における不均衡を是正すること。これにより、メッセージの送信量が多くなり、返信率が低くなる。
• オンライン交際の二面的性質を、成功マッチに必要なのは送信者と受信者の両方の好みが満たされることであるというマッチング市場としてモデル化すること。
• 自己申告の好みに頼るのではなく、観察されたメッセージ行動とユーザープロフィールの特徴から受信者の好みを学ぶこと。
• 学習された受信者好みを組み込むことで、成功マッチ率（返信率で測定）が顕著に向上することを示すこと。
• LDAが非構造化ユーザーテキスト（例：自己紹介文）を特徴として効果的にモデル化でき、好み学習に活用できることを示すこと。

提案手法

• 推薦が行われるのは、両当事者が肯定的に反応する可能性が高い場合に限るという二面的マッチング市場としてオンライン交際を定式化する。
• 受信者および送信者の容量制約の下で期待効用（総返信数）を最大化する最適化問題を定義する。
• ユーザープロフィール特徴と観察されたメッセージ交換から、ユーザーライクネスを確率的LDAモデルで学習する。
• ユーザーライクネスを推定するために、ユーザーアウトプットテキスト（例：自己紹介文）とメッセージ行動をLDAモデルにトレーニングする。
• 学習された好み確率（f(s,r) および g(r,s)）を二面的マッチング最適化に組み込み、推薦をガイドする。
• シミュレーテッドマッチングを用いて、LDAモデルがユーザーライクネスを正確に捉えられることを検証する。

実験結果

リサーチクエスチョン

• RQ1 自己申告の好みに頼るのではなく、メッセージ行動とユーザープロフィールからオンライン交際における受信者好みを効果的に学習できるか？
• RQ2 送信者と受信者の両方の好みを考慮する二面的マッチングフレームワークは、片面的送信者のみの推薦と比較して、マッチの成功率を顕著に向上させるか？
• RQ3 LDAベースのモデルは、述べられた好みと比較して、ユーザーライクネスの返信行動をどれほど正確に予測できるか？
• RQ4 LDAは、自己紹介文などの非構造化ユーザーテキストから意味のある好み表現を効果的に抽出できるか？
• RQ5 提案された二面的マッチングフレームワークは、大規模なオンライン交際プラットフォームにおいてスケーラブルで実用的か？

主な発見

• 学習された受信者好みを組み込んだ二面的マッチングフレームワークは、初回連絡の返信率という指標で、送信者のみの推薦と比較して、成功マッチ率を最大48%向上させる。
• メッセージ行動とユーザープロフィールに基づいてトレーニングされたLDAモデルは、受信者がメッセージに返信するかどうかを予測する上で、自己申告の好みを上回る性能を示した。
• シミュレーテッドマッチングにより、LDAモデルが類似するユーザーを正しく分類し、その背後にある好みを学習できていることが確認された。
• フレームワークは、手動ラベル付けを必要とせず、非構造化テキスト（例：自己紹介文）を入力特徴として効果的に活用できた。
• グラフベースの協調フィルタリングは、大規模でスパースな交際ネットワークでは、人工的なクラスタリングや類似するアプローチ者の間での競合のため、効果が低いことが示された。
• 提案された確率的最適化フレームワークは、二値整数プログラミングの計算複雑さと部分最適性を回避し、スケーラブルな展開を可能にした。