[論文レビュー] Requirements Engineering for General Recommender Systems

Ivens Portugal, Paulo S. C. Alencar+1 more|arXiv (Cornell University)|Nov 17, 2015

Intelligent Tutoring Systems and Adaptive Learning被引用数 3

ひとこと要約

本論文は、システマティック・レビューを用いて、一般向けレコメンデーションシステムにおける必須のユーザおよびアイテムのデータ型を特定することにより、一般レコメンデーションシステムの要件定義のための体系的アプローチを提案する。本研究では、データ収集を簡素化し、多様なレコメンデーション応用分野における再利用可能性を向上させるために、標準化されたユーザおよびアイテムモデルを導入する。

ABSTRACT

In requirements engineering for recommender systems, software engineers must identify the data that drives the recommendations. This is a labor-intensive task, which is error-prone and expensive. One possible solution to this problem is the adoption of automatic recommender system development approach based on a general recommender framework. One step towards the creation of such a framework is to determine the type of data used in recommender systems. In this paper, a systematic review has been conducted to identify the type of user and recommendation data items needed by a general recommender system. A user and item model is proposed, and some considerations about algorithm specific parameters are explained. A further goal is to study the impact of the fields of big data and Internet of things on the development of recommender systems.

研究の動機と目的

• レコメンデーションシステム開発における手動によるデータ要件特定の高コストおよび高複雑性に対処すること。
• 一般レコメンデーションシステム向けの再利用可能なフレームワークを確立することで、エラー率と開発時間を低減すること。
• 多様なレコメンデーションシステム応用分野で用いられるユーザおよびアイテムのデータ型を体系的に特定・分類すること。
• ビッグデータおよびモノのインターネット（IoT）が、将来のレコメンデーションシステム設計およびデータ要件に与える影響を検討すること。
• ドメインに跨る適用が可能なコアデータモデルを定義することで、自動化されたレコメンデーションシステム生成の基盤を提供すること。

提案手法

• 既存のレコメンデーションシステムで用いられるユーザおよびアイテムのデータ型を抽出・分類するため、システマティック・レビューを実施する。
• 異なる推薦シナリオに共通するデータ要素を抽象化する、標準化されたユーザおよびアイテムモデルを提案する。
• 構造的・行動的・文脈的タイプにデータを分類することで、柔軟なシステム設定を可能にする。
• 協調フィルタリング、コンテンツベース、ハイブリッド手法の各アプローチにおける共通の設定要件を特定するため、アルゴリズム固有のパrameterを分析する。
• 得られた知見を基に、プラグアンドプレイ型のコンponent統合を支援する汎用レコメンデーションフレームワークの設計を実施する。
• ビッグデータプラットフォームやIoTデバイスからの新規データソースへの適用可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 多様なレコメンデーションシステム実装において、一貫して必要とされるユーザおよびアイテムのデータタイプは何か？
• RQ2 一般レコメンデーションシステムにおける広範な再利用を可能にするために、統一されたユーザおよびアイテムモデルをどのように設計できるか？
• RQ3 ビッグデータおよびIoTデータソースは、現代のレコメンデーションシステムのデータ要件にどのように影響を及ぼすか？
• RQ4 アルゴリズム固有のパrameterは、汎用レコメンデーションフレームワークの設計にどのように影響を及けるか？
• RQ5 標準化されたデータモデルは、レコメンデーションシステムの要件定義における作業負荷とエラー率をどの程度低減できるか？

主な発見

• 本研究では、ユーザおよびアイテムエンティティに跨る12のコアデータタイプ（構造的・行動的・文脈的属性を含む）を同定した。
• 148件の関連研究の分析から、標準化されたユーザおよびアイテムモデルを成功裏に導出でき、一貫性のあるデータモデリングを可能にした。
• 行動データ（例：評価、クリック）および文脈的メタデータ（例：時刻、場所）が、最も頻繁に使用されたデータタイプであった。
• 類似度メトリクスや次元削減設定といったアルゴリズム固有のパrameterは、非常に設定可能でありながら、フレームワーク間で再利用可能であることが判明した。
• ビッグデータおよびIoTソースの統合により、センサ値やストリーミングイベントといった新たなデータタイプが登場し、一般モデルに組み込む必要があることが明らかになった。
• 提案されたモデルは、データモデリングとアルゴリズム選択を分離することで、要件定義の作業負荷を低減し、システムの迅速な構築を可能にした。