[論文レビュー] Preference Networks: Probabilistic Models for Recommendation Systems

Dinh Phung, Svetha Venkatesh|arXiv (Cornell University)|Dec 3, 2007

Recommender Systems and Techniques参考文献 22被引用数 18

ひとこと要約

この論文は、条件付きマルコフ確率場を用いてコンテンツベースフィルタリングと協調フィルタリングを統合する一貫した確率的枠組みである Preference Networks (PN) を提案する。正則化を伴う擬似尤度を活用することで、PN は大規模なユーザ・アイテムネットワークを効果的に学習でき、映画評価データ上で正確なレーティング予測とトップ-N推薦を実現する。

ABSTRACT

Recommender systems are important to help users select relevant and personalised information over massive amounts of data available. We propose an unified framework called Preference Network (PN) that jointly models various types of domain knowledge for the task of recommendation. The PN is a probabilistic model that systematically combines both content-based filtering and collaborative filtering into a single conditional Markov random field. Once estimated, it serves as a probabilistic database that supports various useful queries such as rating prediction and top-N recommendation. To handle the challenging problem of learning large networks of users and items, we employ a simple but effective pseudo-likelihood with regularisation. Experiments on the movie rating data demonstrate the merits of the PN.

研究の動機と目的

• コンテンツベースフィルタリングと協調フィルタリングを、推薦のための単一の確率的枠組みに統合すること。
• 複数のドメイン知識を、統合された確率的構造内で体系的かつ一貫してモデル化すること。
• 学習済みモデルを用いて、レーティング予測やトップ-N推薦といった柔軟なクエリを可能にすること。
• 大規模なユーザ・アイテムネットワークを効率的に学習する課題に対処すること。
• 高次元性にもかかわらずモデルの正確性を維持するスケーラブルな学習手法を開発すること。

提案手法

• Preference Network (PN) は、アイテムに対するユーザの好みをモデル化する条件付きマルコフ確率場として定式化される。
• コンテンツベース特徴量と協調信号を、単一の確率的グラフィカルモデルに統合する。
• 大規模データセット上で効率的にモデルパラメータを学習するために、正則化を伴う擬似尤度手法が用いられる。
• 推定された PN は確率的データベースとして機能し、レーティング予測や推薦といった推論タスクをサポートする。
• ユーザ・アイテム相互作用における構造的クエリをサポートし、パーソナライズド推薦を可能にする。
• 高次元設定における過学習を防ぐために、学習中に正則化が適用される。

実験結果

リサーチクエスチョン

• RQ1 一貫した確率的モデルが、コンテンツベースフィルタリングと協調フィルタリングを統合して、推薦性能を向上させることができるか？
• RQ2 複数のドメイン知識を、単一の推薦枠組み内で体系的にモデル化する方法は何か？
• RQ3 正則化を伴う擬似尤度は、大規模なユーザ・アイテムネットワークにおけるスケーラブルな学習を可能にするか？
• RQ4 提案された枠組みは、正確なレーティング予測とトップ-N推薦をサポートするか？
• RQ5 実世界のデータにおいて、ベースライン手法と比較して、このモデルはどの程度の性能を示すか？

主な発見

• Preference Network は、コンテンツベースフィルタリングと協調フィルタリングを、単一の条件付きマルコフ確率場に効果的に統合した。
• 正則化を伴う擬似尤度の使用により、大規模なユーザ・アイテムネットワークにおける効果的な学習が可能になった。
• モデルは柔軟なクエリをサポートしており、レーティング予測やトップ-N推薦を含む。
• 映画評価データを用いた実験では、PN が優れた性能を示し、その有効性が裏付けられた。
• この枠組みは、統一された確率的構造内に多様なドメイン知識を体系的にモデル化するための方法を提供する。
• モデルは確率的データベースとして機能し、効率的な推論とパーソナライズド推薦を可能にする。