[論文レビュー] SPMC: Socially-Aware Personalized Markov Chains for Sparse Sequential Recommendation

Chenwei Cai, Ruining He+1 more|arXiv (Cornell University)|Jun 16, 2017

Recommender Systems and Techniques参考文献 16被引用数 14

ひとこと要約

本稿では、スパースかつコールドスタート状況における推薦性能を向上させるために、ユーザーの順序付き行動と友人の行動を統合的に活用する社会的要因を考慮したパーソナライズド・マーカフチェーンモデル、SPMCを提案する。パーソナライズド・マーカフチェーンを社会的正則化で強化することで、4つの実世界データセットにおいて最先端の性能を達成し、特に信号統合が効果的であるため、コールドスタート状況で顕著な優位性を示す。

ABSTRACT

Dealing with sparse, long-tailed datasets, and cold-start problems is always a challenge for recommender systems. These issues can partly be dealt with by making predictions not in isolation, but by leveraging information from related events; such information could include signals from social relationships or from the sequence of recent activities. Both types of additional information can be used to improve the performance of state-of-the-art matrix factorization-based techniques. In this paper, we propose new methods to combine both social and sequential information simultaneously, in order to further improve recommendation performance. We show these techniques to be particularly effective when dealing with sparsity and cold-start issues in several large, real-world datasets.

研究の動機と目的

• データのスパarsityとコールドスタートの課題に取り組むために、ソーシャルネットワーク情報を組み込む。
• FPMC や SBPR のように、順序付き信号と社会的信号を独立して扱う既存のモデルを改善すること。
• 個人の好み、最近の行動、友人の最近の行動を関数として組み合わせた統合フレームワークを構築すること。
• パラメータ共有と正則化により、スパースな状況でのモデルの複雑さと過学習を低減すること。
• スパarsityとコールドスタートの度合いが異なる実世界データセット上で、モデルの優位性を実証的に検証すること。

提案手法

• SPMC は、ユーザー固有の潜在要因に依存する遷移確率を持つパーソナライズド・マーカフチェーンを用いてユーザー行動をモデル化する。
• 友人の最近の行動がユーザーの次の行動に与える影響を重み付き集約メカニズムでモデル化することで、社会的影響を組み込む。
• 友人の行動のシグナルをシグモイド重み付き融合により統合し、重みはユーザー間の類似度（埋め込みベクトル W_u と W_u' によって学習）に基づいて動的に調整される。
• 友人の信号の集約戦略を制御するハイパーパrameter α を導入し、α=1 は友人の影響の単純な算術平均に対応する。
• BPR に類似したペairワイズランキング目的関数を用いて、エンドツーエンドで学習を行い、ユーザーが相互作用したアイテムを好む確率が、そうでないアイテムよりも高いように最適化する。
• すべてのモデルパラメータ（ユーザー/アイテム埋め込み、遷移行列、社会的重みなど）に関するランキング損失の偏微分を用いて、バックプロパゲーションによりパラメータ更新を導出する。

実験結果

リサーチクエスチョン

• RQ1 統合的なフレームワークで順序付き信号と社会的信号を組み合わせることで、スパースかつコールドスタート状況における推薦性能が向上するか？
• RQ2 個人の順序付きシーケンスのみを用いる場合と比較して、友人の最近の行動を統合することで、ユーザーの次の行動予測精度はどの程度向上するか？
• RQ3 複数の友人の寄与を最適に重みづける方法は何か？ また、その重み付け戦略が一般化性能に与える影響は？
• RQ4 埋め込み次元数や社会的影響集約パラメータ α などのハイパーパrameter に、モデルの性能がどれほど敏感か？
• RQ5 提案手法は、サイズやスパarsityレベルが異なるデータセットにおいても、効率的に収束し、安定性を保っているか？

主な発見

• 順序付きまたは社会的信号を独立して扱う最先端のモデル（FPMC や SBPR）を上回り、特にスパarsityが高くコールドスタート問題が顕著なデータセットで顕著な優位性を示す。
• Ciao、Foursquare、Epinions、Flixster の各データセットにおいて、SPMC は FPMC や SBPR よりも高い AUC スコアを達成し、統合モデリングの有効性を示している。
• 100 イテレーション以内に収束を示し、モデルの複雑さが増しているにもかかわらず、ベースライン手法と同等の学習効率を示している。
• 次元数 K が 20 を超えると AUC の向上が止まり、限られたユーザー相互作用でもモデルが安定しており、過学習のリスクが低いことが示された。
• α の最適値は約 1.0 であることが判明し、友人の影響を単純な算術平均で集約することが最も優れた性能をもたらすことが示された。
• Foursquare や Flixster のような大規模データセットでは、SPMC は AUC のフラクチュエートが小さく、K の増加に伴い安定性が保たれていることから、データスケールに強く、頑健であることが示された。