[論文レビュー] Sequences, Items And Latent Links: Recommendation With Consumed Item Packs

Rachid Guerraoui, Erwan Le Merrer+2 more|arXiv (Cornell University)|Nov 16, 2017

Recommender Systems and Techniques参考文献 39被引用数 4

ひとこと要約

本稿では、推薦システムにおけるユーザーの非明示的消費行動をモデル化するための新規抽象化として、消費アイテムパック（CIPs）を導入する。時間窓内に頻繁に一緒に消費されるアイテムの集合を潜在的アイテムパックとして捉えることで、著者らはスケーラブルでインクリメンタルな3つのアルゴリズム（ユーザーベース、アイテムベース、ワード埋め込みベースのDEEPCIP）を提案する。これらは大規模データセット上で最先端の推薦品質を達成し、SVDなどの明示的フィードバック手法や先行の非明示的技術を上回る性能を示す。

ABSTRACT

Recommenders personalize the web content by typically using collaborative filtering to relate users (or items) based on explicit feedback, e.g., ratings. The difficulty of collecting this feedback has recently motivated to consider implicit feedback (e.g., item consumption along with the corresponding time). In this paper, we introduce the notion of consumed item pack (CIP) which enables to link users (or items) based on their implicit analogous consumption behavior. Our proposal is generic, and we show that it captures three novel implicit recommenders: a user-based (CIP-U), an item-based (CIP-I), and a word embedding-based (DEEPCIP), as well as a state-of-the-art technique using implicit feedback (FISM). We show that our recommenders handle incremental updates incorporating freshly consumed items. We demonstrate that all three recommenders provide a recommendation quality that is competitive with state-of-the-art ones, including one incorporating both explicit and implicit feedback.

研究の動機と目的

• 明示的フィードバックの限界、例えばスパarsityや新規アイテムへの反応遅延を是正すること。
• 一時的なシーケンス定義を超えて、順序付けられた非明示的ユーザー行動をより高レベルの抽象化でモデル化すること。
• リアルタイム更新を可能にし、高い推薦品質を維持できる、スケーラブルでインクリメンタルなCIPベースのアルゴリズムを開発すること。
• CIPベースの手法が、大規模で分散処理可能なシステムにおいて、精度と効率の両面で最先端の性能を達成または上回ることを実証すること。

提案手法

• ユーザーが時間窓内に頻繁に一緒に消費するアイテムの集合として、消費アイテムパック（CIP）の概念を導入する。
• 新規のアイテム消費に伴う推薦の更新を効率的に行える、記憶ベースのユーザーベース（CIP-U）およびアイテムベース（CIP-I）の協調フィルタリングアルゴリズムを構築する。
• CIPの密な表現を学習するためのニューラルワード埋め込み（DEEPCIP）を用いたモデルベースのアプローチを提案し、シーケンスに配慮した推薦を可能にする。
• すべての3つのアルゴリズムを複数ノードに跨ってスケーリングするため、分散コンピューティングフレームワーク（Apache Spark）を採用し、SparkのALSと同等の性能を達成する。
• CIPの共起に基づく類似度メトリクスを設計し、再計算を完全に回避するインクリメンタルなユーザー同士およびアイテム同士の類似度計算を実現する。
• CIPがFISMのような最先端の手法を包括・一般化できることを示し、フレームワークの汎用性と表現力の高さを実証する。

実験結果

リサーチクエスチョン

• RQ1 SVDやFISMのような最先端の手法を包括的に一般化できるような、CIPsのような統一された抽象化が、ユーザー消費シーケンスから多様な非明示的推薦パターンを効果的に捉えられるか。
• RQ2 CIPベースの推薦者が、新規のアイテム消費イベントに対し、完全再計算を伴わず、低コストでインクリメンタルに更新できるように設計できるか。
• RQ3 CIPベースの手法が、明示的フィードバック手法や非明示的フィードバック手法の両方と比較して、精度で同等または優れた性能を発揮できるか。
• RQ4 CIPベースのアルゴリズムは、Sparkのような分散環境でどれほど効率的にスケーリングできるか。また、ALSのような標準ベンチマークと比較して、性能に差は生じるか。

主な発見

• CIPベースのユーザーベース（CIP-U）およびアイテムベース（CIP-I）推薦アルゴリズムは、テストデータセット上での性能がSVDベースの手法や非明示的フィードバック手法FISMを上回っている。
• CIPのワード埋め込みに基づくDEEPCIPモデルは、FISM や MCREC といった最先端の順序に配慮したモデルと同等またはそれ以上の性能を達成している。
• 提案された3つのCIPベースのアルゴリズムは、計算ノード数の増加に伴い効果的にスケーリングされ、SparkのALS推薦アルゴリズムと同等のスループット向上を達成している。
• アルゴリズムのインクリメンタル性により、完全な再計算を伴わず、新規のユーザー消費イベントに対しても効率的なリアルタイム更新が可能である。
• CIPフレームワークはFISMアルゴリズムを効果的に一般化しており、順序に配慮した非明示的推薦の分野における表現力の高さと統合的潜在能力を実証している。
• 実験的評価により、CIPベースの手法が、時間重み付けやマルコフ連鎖に依存する既存の非明示的技術を上回っていることが確認され、とりわけ長尾アイテム分布の処理において優れた性能を示している。