[論文レビュー] Recommendation Through Mixtures of Heterogeneous Item Relationships

Wang-Cheng Kang, Mengting Wan+1 more|arXiv (Cornell University)|Aug 29, 2018

Recommender Systems and Techniques参考文献 40被引用数 5

ひとこと要約

本稿では、一様な空間内での移動的度合い埋め込みを用いて、明示的でないおよび隠れた異種のアイテム間関係の個人化された混合を学習する順序推薦モデルMoHRを提案する。MoHRは、ユーザー固有の関係タイプ（例：類似性、近接性、共起性）の好みをモデル化することで、Amazon、Google Local、Steamを含む複数の実世界データセットにおいて、全体的およびトップN順序付けの両面で最先端の性能を達成する。

ABSTRACT

Recommender Systems have proliferated as general-purpose approaches to model a wide variety of consumer interaction data. Specific instances make use of signals ranging from user feedback, item relationships, geographic locality, social influence (etc.). Typically, research proceeds by showing that making use of a specific signal (within a carefully designed model) allows for higher-fidelity recommendations on a particular dataset. Of course, the real situation is more nuanced, in which a combination of many signals may be at play, or favored in different proportion by individual users. Here we seek to develop a framework that is capable of combining such heterogeneous item relationships by simultaneously modeling (a) what modality of recommendation is a user likely to be susceptible to at a particular point in time; and (b) what is the best recommendation from each modality. Our method borrows ideas from mixtures-of-experts approaches as well as knowledge graph embeddings. We find that our approach naturally yields more accurate recommendations than alternatives, while also providing intuitive `explanations' behind the recommendations it provides.

研究の動機と目的

• 既存の推薦システムが単一の固定されたタイプのアイテム関係に依存するという限界に対処すること。
• ユーザーが異なるタイプのアイテム関係（例：地理的、社会的、行動的）に対して、状況に応じて変化する感受性を動的にモデル化すること。
• 明示的および隠れたアイテム関係を統合的に1つの確率的混合モデルに統合する包括的なフレームワークを構築し、推薦精度を向上させること。
• 各推薦の背後にある関係タイプ（例：『似ている』、『近くにある』、『補完的』）を特定することで、解釈可能な推薦を可能にすること。
• スパarsityや相互作用パターンが異なる多様な実世界データセットにおいて、一般化可能性と頑健性を示すこと。

提案手法

• すべてのアイテム関係（明示的および隠れたもの）を、アイテム間遷移がベクトル加算としてモデル化される共通のメトリクス空間内のベクトルとして表現する。
• 各ユーザーおよび文脈ごとに、関係タイプの確率分布をゲーティングネットワークを用いて学習する、個人化された混合専門家機構を導入する。
• ユーザー好みの埋め込み、アイテム埋め込み、関係固有の遷移ベクトルの3つのコンポonentを同時に最適化する統合的マルチタスク学習目的関数を用いる。
• ユーザーのフィードバックから説明されない順序的遷移を捉えるために、隠れた関係タイプ $ r_0 $ を導入し、長距離または非明示的パターンの発見を可能にする。
• ネガティブサンプリングとランク付け損失を用いてエンドツーエンドで学習し、トップN推薦性能を最適化する。
• 知識グラフ埋め込みの原則（例：TransEスタイルの翻訳）を活用し、微分可能でスケーラブルな方法で関係的相互作用をモデル化する。

実験結果

リサーチクエスチョン

• RQ1 類似性、近接性、共起性などの複数の異種のアイテム関係を統合的に扱える包括的モデルは、順序推薦の精度を向上させることができるか？
• RQ2 異なる関係タイプに対するユーザー固有の好みをモデル化することで、固定または単一関係モデルと比較して、推薦性能がどのように向上するか？
• RQ3 順序フィードバックから学習される隠れた関係タイプは、明示的関係を超えて、意味的に整合性のある長距離遷移をどの程度捉えることができるか？
• RQ4 各推薦の背後にある関係タイプ（例：『近くにある』、『似ている』）を特定することで、モデルは解釈可能な説明を提供できるか？
• RQ5 スパースおよび密なデータセットの両方において、MoHRは深層学習ベースの順序モデル（例：GRU4Rec、Caser）と比較してどのように性能を発揮するか？

主な発見

• テストされた4つのデータセットすべてで、NDCG@10において最先端の性能を達成した：Autoで0.3478、Videoで0.5366、Google Localで0.6091、Steamで0.5598。
• Amazon Automotiveデータセットでは、GRU4Rec（改訂版）やCaserを含むすべてのベースラインを上回り、優れたトップN順位付け性能を示した。
• 隠れた関係 $ r_0 $ は意味的に整合性のある、意味的で明確な遷移を学習している——例：ユニバーサル・スタジオからエッフェル塔への遷移——長距離および非局所的パターンを捉えていることが示唆される。
• 定性的分析により、MoHRは文脈に応じた推薦を生成することがわかった：同じ最後のアイテムに対して、異なるユーザーは推定された関係好みに応じて異なる推薦を受け取る（例：ブランドの入れ替え vs. アクセサリーの補完）。
• 密なSteamデータセットでは、MoHRはGRU4Rec（改訂版）よりもわずかに性能が劣っているが、これは高密度環境下で高次のパターンが学習可能であるため、深層順序モデルが依然として優れている可能性を示唆している。
• ユーザーとアイテムが与えられたもとでの関係タイプの確率 $ P(r|u,i) $ を用いたモデルの説明可能性により、ユーザー行動に関する直感的で解釈可能なインサイトが得られる。