[論文レビュー] Recommender System for News Articles using Supervised Learning

Akshay Chaturvedi, Filipa Peleja+1 more|arXiv (Cornell University)|Jul 3, 2017

Recommender Systems and Techniques参考文献 11被引用数 8

ひとこと要約

本稿では、トピックベースの特徴量を用いてユーザーの好みを予測する教師あり学習ベースのニュース記事推薦システムを提案する。ユーザー評価予測において線形回帰、ナイーブベイズ、ロジスティック回帰を評価し、特徴量工学とモデル選択が性能に顕著な影響を与えることを示しており、特にロジスティック回帰が使用したデータセットにおいて優れた結果を示した。

ABSTRACT

In the last decade we have observed a mass increase of information, in particular information that is shared through smartphones. Consequently, the amount of information that is available does not allow the average user to be aware of all his options. In this context, recommender systems use a number of techniques to help a user find the desired product. Hence, nowadays recommender systems play an important role. Recommender Systems' aim to identify products that best fits user preferences. These techniques are advantageous to both users and vendors, as it enables the user to rapidly find what he needs and the vendors to promote their products and sales. As the industry became aware of the gains that could be accomplished by using these algorithms, also a very interesting problem for many researchers, recommender systems became a very active area since the mid 90's. Having in mind that this is an ongoing problem the present thesis intends to observe the value of using a recommender algorithm to find users likes by observing her domain preferences. In a balanced probabilistic method, this thesis will show how news topics can be used to recommend news articles. In this thesis, we used different machine learning methods to determine the user ratings for an article. To tackle this problem, supervised learning methods such as linear regression, Naive Bayes and logistic regression are used. All the aforementioned models have a different nature which has an impact on the solution of the given problem. Furthermore, number of experiments are presented and discussed to identify the feature set that fits best to the problem.

研究の動機と目的

• ユーザーのニュース記事に対する好みを予測する教師あり機械学習を用いた推薦システムの開発。
• 線形回帰、ナイーブベイズ、ロジスティック回帰といった異なる教師あり学習モデルがユーザー評価を予測する効果性の評価。
• ニュース記事のトピックに基づいて、ユーザーの好みをモデル化するための最適な特徴量セットの特定。
• モデル選択と特徴量工学が推薦精度に与える影響の分析。

提案手法

• システムは、ユーザーの好みを表現するためにニュース記事のトピックを入力特徴量として使用する。
• 教師あり学習モデル（線形回帰、ナイーブベイズ、ロジスティック回帰）を訓練し、スケール上のユーザー評価を予測する。
• データセットは事前処理され、トピック特徴量が抽出され、ユーザー評価の予測子として使用される。
• 異なる特徴量セットとアルゴリズムを比較する実験を通じて、モデルの性能を評価する。
• 交差検証と標準的な評価指標を用いて、モデルの精度と一般化性能を評価する。
• モデル間の公平な比較を確保するため、バランスの取れた確率的アプローチを採用する。

実験結果

リサーチクエスチョン

• RQ1 線形回帰、ナイーブベイズ、ロジスティック回帰のうち、どの教師あり学習モデルがニュース記事のユーザー評価予測において最も優れた性能を示すか？
• RQ2 特にトピックベースの特徴量を含む異なる特徴量セットは、推薦モデルの性能にどのように影響するか？
• RQ3 モデル選択と特徴量工学は、ユーザー好み予測の精度にどのような影響を与えるか？
• RQ4 教師あり学習アプローチは、記事のトピック情報のみを用いて、ユーザー好みを効果的にモデル化できるか？

主な発見

• ロジスティック回帰は、評価されたモデルの中でユーザー評価予測において最も高い予測性能を達成した。
• 特に関連するニューストピックの選択が含まれる特徴量工学が、モデルの精度を顕著に向上させた。
• 本研究では、教師あり学習手法がトピックベースの特徴量を用いてユーザー好みを効果的にモデル化できることを確認した。
• 線形回帰は中程度の性能を示した一方、ナイーブベイズは評価予測タスクにおいてあまり効果的ではなかった。
• 結果から、モデル選択と特徴量表現が、効果的なニュース推薦システム構築の鍵となることが示された。