[論文レビュー] Recurrent Poisson Factorization for Temporal Recommendation

Seyed Abbas Hosseini, Keivan Alizadeh+5 more|arXiv (Cornell University)|Mar 4, 2017

Recommender Systems and Techniques参考文献 16被引用数 5

ひとこと要約

本稿では、非定常ポアソン過程としてユーザ・アイテム相互作用をモデル化することで、再発的行動と時間に依存する好みを捉える、時系列推薦フレームワーク「再帰的ポアソン因子分解（RPF）」を提案する。古典的ポアソン因子分解を確率的強度関数で拡張することで、RPFは正確なアイテム予測および再訪問時刻予測を可能にし、実世界の音楽および電子商取引データセットにおいて、優れたスケーラビリティと解釈可能性を兼ね備えた最先端手法を上回る性能を発揮する。

ABSTRACT

Poisson factorization is a probabilistic model of users and items for recommendation systems, where the so-called implicit consumer data is modeled by a factorized Poisson distribution. There are many variants of Poisson factorization methods who show state-of-the-art performance on real-world recommendation tasks. However, most of them do not explicitly take into account the temporal behavior and the recurrent activities of users which is essential to recommend the right item to the right user at the right time. In this paper, we introduce Recurrent Poisson Factorization (RPF) framework that generalizes the classical PF methods by utilizing a Poisson process for modeling the implicit feedback. RPF treats time as a natural constituent of the model and brings to the table a rich family of time-sensitive factorization models. To elaborate, we instantiate several variants of RPF who are capable of handling dynamic user preferences and item specification (DRPF), modeling the social-aspect of product adoption (SRPF), and capturing the consumption heterogeneity among users and items (HRPF). We also develop a variational algorithm for approximate posterior inference that scales up to massive data sets. Furthermore, we demonstrate RPF's superior performance over many state-of-the-art methods on synthetic dataset, and large scale real-world datasets on music streaming logs, and user-item interactions in M-Commerce platforms.

研究の動機と目的

• 暗黙のフィードバックにおける時系列的ダイナミクスおよび再発的ユーザ行動をモデル化する際、従来のポアソン因子分解手法の限界を解消すること。
• 動的ユーザ好み、社会的影響、ユーザおよびアイテム行動の非均質性を捉える、スケーラブルで解釈可能なフレームワークの開発。
• 次に購入するアイテムとユーザの再訪問時刻の両方を同時に予測可能にすることで、時間に依存する推薦の精度を向上させること。
• 古典的PF変種（HPF, DPF, SPF）をポアソン過程の基礎に基づいて、それぞれ再帰的対応物（HRPF, DRPF, SRPF）に一般化すること。
• 大規模データセットにスケーリング可能でありながらモデルの表現力を保持する変分推論アルゴリズムの設計。

提案手法

• RPFは、ユーザ・アイテム相互作用を非定常ポアソン過程としてモデル化し、強度関数が時間変動するユーザ好みとアイテムの人気度を捉える。
• 強度関数は、時間依存成分を含むユーザおよびアイテムの潜在要因に分解され、動的好みや社会的影響をモデル化する。
• 集計度数の代わりにポイント過程の尤度を用いることで、古典的ポアソン因子分解を拡張し、イベントの発生タイミングと頻度をモデル化可能にする。
• 大規模データセットへのスケーリングを可能にするために、潜在要因の事後分布を近似するための変分推論アルゴリズムを開発した。
• 複数の変種を定義：動的好みにはDRPF、社会的影響にはSRPF、ユーザおよびアイテム行動の非均質性にはHRPF。
• 共有潜在要因と時間依存パラメータを用いた対数線形強度関数を採用し、時間的変化および同僚効果を捉える。

実験結果

リサーチクエスチョン

• RQ1 ポアソン過程としてユーザ相互作用をモデル化することで、カウントベースのポアソン因子分解に比べて時系列推薦の精度が向上するか？
• RQ2 RPFは、次に購入するアイテムとユーザの再訪問時刻の両方を、最先端手法と比較してどれほど正確に予測できるか？
• RQ3 RPFの変種（DRPF, SRPF, HRPF）は、動的好み、社会的影響、ユーザおよびアイテム行動の非均質性をどの程度正確に捉えられるか？
• RQ4 RPFフレームワークは、優れた性能を発揮する一方で、解釈可能性を維持しているか？
• RQ5 提案された変分推論手法は、大規模な実世界の推薦データセットに効果的にスケーリングできるか？

主な発見

• RPFに基づく手法は、合成データおよび実世界データセットの両方において、アイテム予測および再訪問時刻予測の両面で、常に最先端手法を上回る性能を示した。
• Last.fmおよびTianchiデータセットでは、RPFに基づくモデルが再訪問時刻予測のMAEが低く抑えられ、特にDRPFおよびDSRPFが実際のイベント系列に最も適合した。
• 分位数プロットの結果、RPFに基づくモデルは、実際のユーザ再訪問時刻の経験分布によりよく適合しており、TSRSと比較して傾きが1に近いことが示された。
• Tianchiデータセットでは、DRPFがより高いイベント密度に起因して優れた性能を発揮した。これは、データ豊富な環境下での強みを示している。
• RPFに基づく手法の性能は、テストデータサイズの増加に対しても安定しており、一般化性能が良好であることが確認された。
• RPFの解釈可能性のおかげで、同僚の影響、トレンドアイテム、ユーザ行動の時間的ダイナミクスといった意味のあるパターンの発見が可能になった。