[論文レビュー] Response Aware Model-Based Collaborative Filtering

Guang Sheng Ling, Haiqin Yang+2 more|arXiv (Cornell University)|Oct 16, 2012

Recommender Systems and Techniques参考文献 13被引用数 9

ひとこと要約

本稿では、明示的な反応モデリングと確率的行列分解（PMF）を統合する統一フレームワークである応答認識確率的行列分解（RAPMF）を提案する。ユーザーの評価と反応パターン（すなわち、アイテムが評価されたか否か）を同時にモデリングすることで、パラメータ推定のバイアスを低減し、従来のPMFおよび既存の応答認識モデルよりも優れた推薦性能を達成する。

ABSTRACT

Previous work on recommender systems mainly focus on fitting the ratings provided by users. However, the response patterns, i.e., some items are rated while others not, are generally ignored. We argue that failing to observe such response patterns can lead to biased parameter estimation and sub-optimal model performance. Although several pieces of work have tried to model users' response patterns, they miss the effectiveness and interpretability of the successful matrix factorization collaborative filtering approaches. To bridge the gap, in this paper, we unify explicit response models and PMF to establish the Response Aware Probabilistic Matrix Factorization (RAPMF) framework. We show that RAPMF subsumes PMF as a special case. Empirically we demonstrate the merits of RAPMF from various aspects.

研究の動機と目的

• ユーザーの反応パターン（すなわち、どのアイテムが評価されたか、されなかったか）を無視する従来の協調フィルタリング手法の限界を解決すること。
• 評価データにおける反応行動を無視することで生じるパラメータ推定のバイアスを克服すること。
• 反応モデリングと行列分解アプローチの効果性・解釈可能性のギャップを埋めること。
• PMFを特別なケースとして包含する統一フレームワークを構築し、反応認識によってモデル性能を向上させること。

提案手法

• ユーザーとアイテムの潜在要因を因子分解するとともに、評価値と反応インジケータ（評価済み vs. 未評価）の両方をモデリングする統合確率的モデルを提案する。
• 潜在要因とユーザー／アイテムバイアスに基づいて、評価が観測される確率をモデリングする応答認識尤度関数を導入する。
• 共役事前分布を用いたベイジアンフレームワークを採用し、効率的な推論と正則化を実現する。
• 変分ベイズ推論または期待最大化を用いて、潜在要因とハイパーパrameterの閉形式更新式を導出する。
• 反応パターンを無視した場合にPMFに還元されることを保証し、後方互換性を確保する。
• 観測済みデータ（評価と非評価）の対数尤度を最適化することで、頑健な潜在表現を学習する。

実験結果

リサーチクエスチョン

• RQ1 ユーザーの反応パターン（すなわち、どのアイテムが評価されたか）をモデリングすることで、協調フィルタリングモデルの精度とロバスト性が向上するか？
• RQ2 評価値のモデリングに加えて反応行動を組み込むと、行列分解ベースのレコメンデーションシステムにおけるパラメータ推定バイアスにどのような影響を与えるか？
• RQ3 評価値と反応パターンを同時にモデリングしつつ、PMFの解釈可能性と性能を維持できる統一フレームワークを設計できるか？
• RQ4 推薦品質の向上に寄与する主な要因は、反応モデリングか、評価値モデリングか、それとも両者か？

主な発見

• RAPMFはベンチマークデータセットにおいて標準的なPMFを著しく上回り、複数の評価指標で改善された推薦精度を示した。
• 非評価の明示的モデリングにより、潜在要因推定のバイアスが低減され、一般化性能が向上した。
• 応答認識モデリングにより、特にレコメンドデータが疎な状況下でもより安定的かつ信頼性の高い予測が得られた。
• 反応パターンを無視した場合にRAPMFはPMFに還元されるため、理論的整合性が裏付けられた。
• 実験結果から、評価値単体のモデリングに比べ、反応パターンのモデリングが性能向上に寄与していることが示された。
• 計算効率とスケーラビリティを維持しており、大規模レコメンデーションシステムに適している。