[論文レビュー] Personalized Transfer of User Preferences for Cross-domain Recommendation

Yongchun Zhu, Zhenwei Tang+6 more|arXiv (Cornell University)|Oct 21, 2021

Recommender Systems and Techniques被引用数 14

ひとこと要約

本論文は、メタネットワークを用いて個々のユーザーのパーソナライズドな好みブリッジ関数を生成する新しいクロスドメイン推薦フレームワークPTUPCDRを提案する。これにより、ソースドメインからターゲットドメインへのユーザー好みのより正確な移行が可能になる。共通のブリッジ関数ではなく、ユーザー固有のブリッジを学習することで、実世界のデータセット上でのコールドスタートおよびウォームスタートの推薦性能が顕著に向上する。

ABSTRACT

Cold-start problem is still a very challenging problem in recommender systems. Fortunately, the interactions of the cold-start users in the auxiliary source domain can help cold-start recommendations in the target domain. How to transfer user's preferences from the source domain to the target domain, is the key issue in Cross-domain Recommendation (CDR) which is a promising solution to deal with the cold-start problem. Most existing methods model a common preference bridge to transfer preferences for all users. Intuitively, since preferences vary from user to user, the preference bridges of different users should be different. Along this line, we propose a novel framework named Personalized Transfer of User Preferences for Cross-domain Recommendation (PTUPCDR). Specifically, a meta network fed with users' characteristic embeddings is learned to generate personalized bridge functions to achieve personalized transfer of preferences for each user. To learn the meta network stably, we employ a task-oriented optimization procedure. With the meta-generated personalized bridge function, the user's preference embedding in the source domain can be transformed into the target domain, and the transformed user preference embedding can be utilized as the initial embedding for the cold-start user in the target domain. Using large real-world datasets, we conduct extensive experiments to evaluate the effectiveness of PTUPCDR on both cold-start and warm-start stages. The code has been available at https://github.com/easezyc/WSDM2022-PTUPCDR.

研究の動機と目的

• 補助的なソースドメインからターゲットドメインへユーザー好みを移行させることで、レコメンデーションシステムにおけるコールドスタート問題に対処すること。
• 既存のクロスドメイン推薦手法がすべてのユーザーに共通の1つの好みブリッジ関数を使用するという制限を克服すること。
• ユーザー固有の関係性をモデル化することで、ソースドメインとターゲットドメインの好みの間のパーソナライズドな移行を可能にすること。
• ユーザー適応型の好み変換を通じて、コールドスタートおよびウォームスタートユーザーの両方の推薦性能を向上させること。
• ターゲットドメインのユーザー埋め込みに依存せずに、メタネットワークの安定した最適化手順を開発すること。

提案手法

• ソースドメインのユーザーの特徴埋め込みを入力として受け取り、パーソナライズドなブリッジ関数を生成するメタネットワークを採用する。
• ターゲットドメインのユーザー埋め込みを必要とせず、訓練の安定性を向上させるために、タスク指向の最適化手順を用いてメタネットワークを訓練する。
• メタネットワークが生成したパーソナライズドなブリッジ関数を用いて、ソースドメインのユーザー埋め込みをターゲットドメインの埋め込みに変換する。
• 変換された埋め込みを、ターゲットドメインにおけるコールドスタートユーザーの初期表現として活用する。
• 異なるソースドメインのアイテムが好みの移行に与える重要度を動的に重みづけるために、アテンションベースの特徴エンコーダーを活用する。
• 変換されたソースドメイン埋め込みと真値のターゲットドメイン埋め込みの乖離を最小化する損失関数を用いて、メタネットワークをエンドツーエンドで訓練する。この際、最適化中にターゲットドメイン埋め込みに直接依存しないようにする。

実験結果

リサーチクエスチョン

• RQ1 個々のユーザーに特化したパーソナライズドな好みブリッジは、すべてのユーザーに共通のブリッジ関数よりも、クロスドメイン推薦で優れた性能を発揮するか？
• RQ2 ユーザー固有の好み移行は、コールドスタートユーザーの推薦性能にどのように影響を与えるか？
• RQ3 タスク指向の最適化手順を用いることで、メタネットワークの訓練の安定性と有効性はどのように向上するか？
• RQ4 アテンションベースの特徴エンコーダーは、関連するソースドメインのアイテムに注目することで、どれほど好みの移行の質を向上させられるか？
• RQ5 パーソナライズドブリッジと共有ブリッジを用いた場合に、変換された埋め込みの分布が真値のターゲットドメイン埋め込みと比べてどのように異なるか？

主な発見

• PTUPCDRは、EMCDRや他のブリッジベースのモデルを含む、既存のCDR手法と比較して、コールドスタートおよびウォームスタートの両方の推薦タスクで顕著な性能向上を達成する。
• 潜在要因の可視化により、PTUPCDRの変換済み埋め込みは、過度に凝集しているEMCDRのものとは異なり、より広く分散されており、真値のターゲットドメイン埋め込みとより良く一致していることが示された。
• 特徴エンコーダー内蔵のアテンション機構は、関連するソースドメインのアイテム（例：SF映画がハードロックCDの推薦に影響を与える）を効果的に特定・優先し、不要なアイテムからのノイズを低減した。
• アブレーションスタディの結果、パーソナライズドなメタネットワークとアテンションベースのエンコーダーの両方が、モデルの性能向上に顕著な貢献をしていることが確認された。
• タスク指向の最適化手順により、メタネットワークの訓練が安定化し、マッピング指向の最適化で一般的に見られる不安定性の問題を回避できた。
• 大規模な実世界データセット上でも、PTUPCDRはRecall@KやNDCG@Kといった標準的な評価指標で強力なベースラインを上回り、その頑健性と一般化能力を示した。