[論文レビュー] Similar but Different: Exploiting Users' Congruity for Recommendation Systems

Ghazaleh Beigi, Huan Liu|arXiv (Cornell University)|Mar 12, 2018

Recommender Systems and Techniques参考文献 16被引用数 6

ひとこと要約

本稿では、ユーザーの意見一致（意見の一致度）とソーシャル関係を統合することで、ユーザーの好みの予測を向上させる新しい推薦フレームワーク、CRを提案する。相互作用データ（例：評価と役立つスコア）を活用して意見一致を推定することで、モデルの推薦精度が向上し、実験により意見一致はソーシャル関係のみに依存する場合よりも、より密で情報量の多い信号を提供することが示された。これにより、ベースラインモデルに比べて性能が顕著に向上した。

ABSTRACT

The pervasive use of social media provides massive data about individuals' online social activities and their social relations. The building block of most existing recommendation systems is the similarity between users with social relations, i.e., friends. While friendship ensures some homophily, the similarity of a user with her friends can vary as the number of friends increases. Research from sociology suggests that friends are more similar than strangers, but friends can have different interests. Exogenous information such as comments and ratings may help discern different degrees of agreement (i.e., congruity) among similar users. In this paper, we investigate if users' congruity can be incorporated into recommendation systems to improve it's performance. Experimental results demonstrate the effectiveness of embedding congruity related information into recommendation systems.

研究の動機と目的

• ユーザーの意見一致（意見の一致度）が、ソーシャル類似性を超えて推薦システムのパフォーマンスを向上させられるかどうかを調査すること。
• すべての友人が同じ程度に類似しているとみなすという限界を是正し、共有のつながりがあるにもかかわらず興味が異なる可能性がある友人を認識すること。
• レーティングや役立つスコアなどの外生的ユーザー相互作用データから意見一致を抽出する手法を開発すること。
• 意見一致が、好みの予測においてソーシャル関係よりもより密で情報量の多い信号を提供することを示すこと。
• ソーシャル関係と意見一致を共同でモデル化する新しい推薦フレームワークCRを提案し、評価すること。

提案手法

• フレームワークは、アイテムレーティングとレビューの役立つスコアを含む相互作用データから、ユーザー同士の意見一致行列を構築する。
• 意見一致は、共有のレーティングとレビューのフィードバックに基づく、正規化された同意度の測度として計算される。
• ハイブリッドモデルは、ユーザー類似度の重み付き融合を用いて、ソーシャル関係（友人関係グラフ）と意見一致情報を統合する。
• モデルは行列分解アプローチを用いて欠損レーティングを予測し、ソーシャル類似性と意見一致に基づく類似度を組み込んだ正則化項を備える。
• フレームワークは、実世界のデータセット（EpinionsとCiao）上でエンドツーエンドに訓練され、低活動ユーザーおよびアイテムのフィルタリングを含む前処理が施されている。
• 性能評価にはRMSEとMAEが用いられ、意見一致やソーシャル関係を含む・含まないモデルを比較することで、それぞれの寄与度を隔離して評価した。

実験結果

リサーチクエスチョン

• RQ1 ソーシャル関係と意見一致は、ユーザー類似性の表現においてどのように異なるか？
• RQ2 なぜ意見一致を統合することが推薦システムに有益なのか。特に、ソーシャル関係のみでは不十分な場合にその利点が顕著になるのはなぜか？
• RQ3 レーティングや役立つスコアなどのユーザー相互作用データから、どのように数学的に意見一致を導出できるか？
• RQ4 意見一致とソーシャル関係の両方が、推薦精度の向上に果たす相対的な貢献度はどの程度か？
• RQ5 統合フレームワークは、意見一致とソーシャル関係を効果的に組み合わせ、予測性能を向上させることができるか？

主な発見

• CRモデルから意見一致情報を除去すると、ソーシャル関係を除去した場合よりもパフォーマンス低下が顕著に大きくなる。これは、意見一致がより密で情報量の多い信号を提供していることを示している。
• 意見一致を組み込んだモデルCSRR–Cは、ソーシャル関係のみを用いるCSRR–Sを上回る性能を示し、意見レベルの一致が追加的価値を提供していることを裏付けた。
• 両方の情報を使用する統合モデルCSRR–CSが最も優れたパフォーマンスを達成しており、両者の補完的性質を示している。
• 意見一致はソーシャル関係よりもより密に利用可能である。これは、フレンドシップリンクと比較して、測定可能なユーザー対の数が多くあることから明らかである。
• EpinionsおよびCiaoデータセットにおける結果から、意見一致が推薦精度を顕著に向上させることを確認した。RMSEおよびMAEの両指標において一貫した傾向が観察された。
• フレームワークは、実世界の相互作用データから意味のある意見一致を効果的に抽出でき、実用的な推薦システムにおける実現可能性と有効性を検証した。