[論文レビュー] Social Trust as a solution to address sparsity-inherent problems of Recommender systems

Georgios Pitsilis, Svein J. Knapskog|arXiv (Cornell University)|Aug 5, 2012

Recommender Systems and Techniques参考文献 17被引用数 36

ひとこと要約

本論文は、ユーザのレーティングから得られるソーシャルトラストを活用することで、レコメンデーションシステムにおけるスパarsity問題とコールドスタート問題を軽減する手法を提案する。既存のレーティングからトラスト関係を推定することで、推薦の正確性と頑丈さが向上し、特にシステムの初期段階において、トラストを考慮しない手法を上回る。

ABSTRACT

Trust has been explored by many researchers in the past as a successful solution for assisting recommender systems. Even though the approach of using a web-of-trust scheme for assisting the recommendation production is well adopted, issues like the sparsity problem have not been explored adequately so far with regard to this. In this work we are proposing and testing a scheme that uses the existing ratings of users to calculate the hypothetical trust that might exist between them. The purpose is to demonstrate how some basic social networking when applied to an existing system can help in alleviating problems of traditional recommender system schemes. Interestingly, such schemes are also alleviating the cold start problem from which mainly new users are suffering. In order to show how good the system is in that respect, we measure the performance at various times as the system evolves and we also contrast the solution with existing approaches. Finally, we present the results which justify that such schemes undoubtedly work better than a system that makes no use of trust at all.

研究の動機と目的

• 協調フィルタリングレコメンデーションシステムにおける本質的なスパarsity問題に対処すること。
• 新規ユーザのコールドスタート問題を、ソーシャルトラスト関係を活用することで軽減すること。
• 既存のレーティングからのトラスト推定が推薦品質の向上に寄与するかを評価すること。
• トラストを組み込んだ提案システムと、トラストを含まないベースライン手法を比較すること。
• 時間経過に伴うトラストベース推薦のスケーラビリティと進化を示すこと。

提案手法

• ユーザのレーティングパターンと好みの類似性に基づいて、ユーザ間のソーシャルトラストを推定すること。
• 共有のレーティング行動と一貫性からトラストを計算するウェブ・オブ・トラストモデルを用いること。
• トラスト伝搬を適用して欠損レーティングを推定し、推薦を改善すること。
• トラストスコアを協調フィルタリングプロセスに統合し、ユーザ類似度の重み付けを行うこと。
• RMSE や MAE といった標準的な指標を用いて、進化するシステム状態における性能を評価すること。
• 多様なユーザ活動水準とデータスパarsityを持つ実世界のデータセットを用いて、手法の妥当性を検証すること。

実験結果

リサーチクエスチョン

• RQ1 ユーザのレーティングから推定されたトラストは、レコメンデーションシステムにおけるデータスパarsityの影響を効果的に軽減できるか？
• RQ2 ソーシャルトラストを組み込むことで、特に新規ユーザに対して推薦の正確性がどの程度向上するか？
• RQ3 より多くのデータが収集されるに従い、トラスト強化システムの性能はどのように変化するか？
• RQ4 トラストベースのアプローチは、トラストを含まない従来の協調フィルタリングと比べてどのように異なるか？
• RQ5 トラスト推定は、ユーザおよびアイテムのレコメンデーションにおけるコールドスタート問題を軽減するのに役立つのか？

主な発見

• スパarsityが顕著なデータ環境において、トラスト強化システムは非トラストベースのベースラインと比較して、RMSE および MAE において顕著に優れている。
• レーティングからのトラスト推定により、新規ユーザ向けの推薦品質が向上し、コールドスタート問題が効果的に軽減された。
• ユーザ相互作用を通じてより多くのトラスト関係が確立されるに従い、性能が時間経過とともに向上する。
• 本手法は、さまざまなレベルのデータスパarsityに対して頑丈であり、従来のシステムが失敗する状況でも高い正確性を維持する。
• 一貫したユーザ行動パターンを活用することで、トラスト伝搬が推薦の信頼性を向上させる。
• 結果から、レーティング行動から得られるソーシャルトラストが、スパarsityおよびコールドスタート問題の有効で実用的な解決策であることが確認された。