[論文レビュー] Recommending Items in Social Tagging Systems Using Tag and Time Information

Emanuel Lacić, Dominik Kowald+3 more|Jun 30, 2014

Recommender Systems and Techniques参考文献 25被引用数 8

ひとこと要約

本論文は、人間の記憶理論に由来するべき記憶関数（Base-Level Learning: BLL）方程式を用いて、タグ頻度と新鮮さを統合することで、ソーシャルタギングシステムにおけるアイテム推薦を向上させる2段階の協調フィルタリング手法CIRTTを提案する。3つの実世界データセット（BibSonomy, CiteULike, MovieLens）において、既存のタグおよび時間に配慮したベースライン手法を上回る精度を示しており、タグ再利用確率の認知科学的モデリングが推薦品質を向上させることを実証している。

ABSTRACT

In this work we present a novel item recommendation approach that aims at improving Collaborative Filtering (CF) in social tagging systems using the information about tags and time. Our algorithm follows a two-step approach, where in the first step a potentially interesting candidate item-set is found using user-based CF and in the second step this candidate item-set is ranked using item-based CF. Within this ranking step we integrate the information of tag usage and time using the Base-Level Learning (BLL) equation coming from human memory theory that is used to determine the reuse-probability of words and tags using a power-law forgetting function. As the results of our extensive evaluation conducted on data-sets gathered from three social tagging systems (BibSonomy, CiteULike and MovieLens) show, the usage of tag-based and time information via the BLL equation also helps to improve the ranking and recommendation process of items and thus, can be used to realize an effective item recommender that outperforms two alternative algorithms which also exploit time and tag-based information.

研究の動機と目的

• 時間的要因およびタグベースのユーザー行動を統合することで、ソーシャルタギングシステムにおけるアイテム推薦の精度を向上させること。
• 記憶と忘却の認知科学的モデルが、タギング環境における協調フィルタリングを向上させられるかどうかを検証すること。
• Base-Level Learning (BLL)方程式が、頻度と新鮮さを用いてタグ再利用確率をモデリングする有効性を評価すること。
• CIRTTの性能を、実世界のフォルクソノミー・データセットにおける既存の時間およびタグに配慮した推薦アルゴリズムと比較すること。
• データ駆動型レコメンデーションシステムにおける認知理論の統合が、パーソナライゼーションの向上に寄与する可能性を検討すること。

提案手法

• CIRTTは2段階のプロセスを用いる：まず、k=20の近隣を用いて二値のユーザ-アイテム行列におけるコサイン類似度を用いたユーザー基準の協調フィルタリングにより候補アイテムを特定する。
• 次に、アイテム基準の協調フィルタリングをBLL方程式で拡張し、タグ再利用確率をモデリングすることで候補アイテムをランク付けする。
• BLL方程式は、人間の記憶理論に由来するべき記憶関数（べき乗則の忘却関数）を用い、タグの頻度と最終利用からの経過時間の関数として再利用確率を計算する。
• 本モデルは、タグ頻度と最終利用からの経過時間を統合してアイテムスコアを重み付けし、頻度が高くかつ最近使用されたタグを有するアイテムを優遇する。
• 本手法は、nDCG@20、MAP@20、Recall@20といった標準指標を用いて、BibSonomy、CiteULike、MovieLensの3つのデータセットで評価されている。
• 代替ベースラインには、二値行列を用いたCF（CF_B）、タグプロファイルを用いたCF（CF_T）、および2つの時間に配慮した手法（Z：指数関数的新鮮さ、H：線形的新鮮さ）が含まれる。

実験結果

リサーチクエスチョン

• RQ1 Base-Level Learning (BLL)方程式を用いてタグ頻度と新鮮さを統合することで、ソーシャルタギングシステムにおけるアイテム推薦精度が向上するか？
• RQ2 BLLに用いられるべき記憶関数（べき乗則の忘却関数）は、指数関数的および線形的新鮮さモデルと比較して、推薦性能において優れているか？
• RQ3 BLLに基づくランク付け手法は、既存の最先端のタグおよび時間に配慮した推薦アルゴリズムを上回るか？
• RQ4 人間の記憶の認知科学的モデルを用いたアプローチが、推薦のパーソナライゼーションおよび関連性をどの程度向上させるか？
• RQ5 異なる指標（精度、多様性、ユーザーカバレッジ）は、提案手法とベースライン手法の間でどのように変化するか？

主な発見

• CIRTTは、BibSonomy、CiteULike、MovieLensの全3データセットにおいて、nDCG@20、MAP@20、Recall@20のスコアが最高であり、すべてのベースライン手法を上回った。
• BLLに基づくべき記憶関数（べき乗則の忘却関数）は、Zhengらの指数関数的関数およびHuangらの線形関数よりも高い精度を達成した。
• Huangらの手法（H）は、ユーザーのタグプロファイルに依存するため、タグベースの多様性指標において最も低い多様性（D）を示した。
• すべてのパーソナライズド手法においてユーザーカバレッジ（UC）はほぼ同一であり、MovieLensデータセットでは最大2.53%の乖離にとどまった。
• 非パーソナライズドのMPベースラインは、すべての指標で最低の精度を示し、パーソナライゼーションの必要性を裏付けた。
• 結果は、人間の認知に基づく理論的モデル（例：BLL）が、データ駆動型レコメンデーションシステムを顕著に向上させられることを支持する。