[論文レビュー] Recommender System Based on Algorithm of Bicluster Analysis RecBi

Dmitry I. Ignatov, Jonas Poelmans+1 more|arXiv (Cornell University)|Feb 13, 2012

Rough Sets and Fuzzy Logic参考文献 5被引用数 7

ひとこと要約

本論文では、ロシアの高校卒業生が大学の学部を選択するのを支援するため、二部クラスタリング分析を用いた推薦システムRecBiを提案する。2つのアルゴリズムを採用しており、1つは好みに基づく推薦を、もう1つは既知の好みがない状況（コールドスタート問題）での推薦を目的としており、ハイヤー・スクール・オブ・エコノミクスにおける教育カウンセリングにおける効果的なパーソナライズを実現している。

ABSTRACT

In this paper we propose two new algorithms based on biclustering analysis, which can be used at the basis of a recommender system for educational orientation of Russian School graduates. The first algorithm was designed to help students make a choice between different university faculties when some of their preferences are known. The second algorithm was developed for the special situation when nothing is known about their preferences. The final version of this recommender system will be used by Higher School of Economics.

研究の動機と目的

• ロシアの高校卒業生が大学の学部選択について情報に基づいた意思決定を下せるように支援すること。
• 学生の好みが不明な場合（コールドスタート問題）でも効果的に機能する推薦システムを開発すること。
• 教育データに二部クラスタリング技術を適用し、高等教育カウンセリングにおけるパーソナライズを向上させること。
• ハイヤー・スクール・オブ・エコノミクスがスケーラブルでデータ駆動型の推薦システムを学生オリエンテーションに導入するのを支援すること。

提案手法

• 最初のアルゴリズムは、類似した好みを持つ学生のグループと、それに一致するプロファイルを持つ学部を二部クラスタリングによって特定する。
• 2番目のアルゴリズムは、事前の好み情報がない状態で、データ行列に二部クラスタリングを適用し、学生と学部の関係性に隠れたパターンを発見する。
• 本手法は、データ内の相互作用パターンに基づいて、同時に学生と学部をクラスタリングする共通クラスタリング（co-clustering）を活用する。
• システムは、学生の好みと学部の特徴を行列形式で表現し、二部クラスタは一貫性のある学生と学部のサブグループを表す。
• アルゴリズムはハイヤー・スクール・オブ・エコノミクスの歴史的データを用いて学習され、学生と学部の適合性をモデル化する。
• 最終的な推薦は、学生のプロファイルを最も関連性の高い二部クラスタにマッピングし、そのクラスタ内に属する学部を推薦することで生成される。

実験結果

リサーチクエスチョン

• RQ1 どのようにして二部クラスタリングを効果的に大学の学部推薦に応用できるか？
• RQ2 事前の好みが全くない状況でも、二部クラスタリングに基づく推薦システムがコールドスタート問題を処理できるか？
• RQ3 教育指導致しの文脈において、二部クラスタリングベースの推薦は従来の手法と比較してどの程度のパフォーマンスを示すか？
• RQ4 二部クラスタリングは、実世界の教育データセットにおいて、意味のある学生と学部のサブグループをどの程度効果的に特定できるか？

主な発見

• RecBiシステムは、明示的な学生の好みがなくても、二部クラスタリングを用いてパーソナライズされた学部推薦を効果的に生成している。
• 二部クラスタリングアプローチは、一貫性のある学生と学部のサブグループを効果的に特定しており、正確で意味のある推薦を可能にしている。
• 本システムはハイヤー・スクール・オブ・エコノミクス向けに設計され、同大学での導入を想定しており、実世界への適用可能性を示している。
• 本手法は、データ駆動型のクラスタリングによって学生と学部の適合性の潜在的パターンを解明できることから、教育カウンセリング分野への応用の可能性を示している。