[論文レビュー] Symmetric collaborative filtering using the noisy sensor model

Rita Sharma|arXiv (Cornell University)|Jan 1, 2009

Recommender Systems and Techniques参考文献 8被引用数 3

ひとこと要約

本稿では、他のユーザーをノイジィなセンサーとして扱うことで、ユーザーの評価を予測するための対称的協調フィルタリング手法を提案する。ノイジィセンサー・モデルを用い、二値評価に対してベイズ学習、多値評価に対して線形／同一センサー・モデルの2つのバリエーションを導入し、特にスパースな評価状況において、SOTA手法を著しく上回る性能を示した。EachMovieデータセットを用いた実験で、ユーザーおよびアイテムの類似性を統合することで精度が向上した。

ABSTRACT

Collaborative filtering is the process of making recommendations regarding the potential preference of a user, for example shopping on the Internet, based on the preference ratings of the user and a number of other users for various items. This thesis considers the problem of symmetric collaborative filtering based on explicit ratings. To evaluate the algorithms, we consider only pure collaborative filtering, using given ratings and excluding other information about the people or items. Our approach is to predict an active user's preferences regarding a particular item by using other people's ratings of that item and other items rated by the active user as noisy sensors. The noisy sensor model uses Bayes' theorem to compute the probability distribution for the active user's rating of a new item. We give two variants for learning the noisy sensor model: one, for explicit binary rating data; and the second, for explicit multi-valued rating data. The model for binary rating data is based on Bayesian learning. Its performance motivate us to further explore the use of noisy sensor model for multi-valued rating data. We give two variant models for multi-valued rating data: in one, we learn a linear model of how users rate items; in another, we assume different users rate items identically, but that the accuracy of the sensors must be learned. We compare the two models of multi-valued rating data with stateof- the-art techniques and show how they are significantly better whether a user has rated only two items or many. We report empirical results using the EachMovie database of movie ratings. We also show that by considering the items similarity along with the users similarity the accuracy of the prediction increases.

研究の動機と目的

• ユーザーをノイジィなセンサーとして扱う対称的協調フィルタリングフレームワークを構築すること。
• ベイズモデルと線形センサー・モデルを用いて、明示的な二値および多値評価をモデル化すること。
• ユーザーが少数のアイテムにしか評価を行わない低データ環境における性能を評価すること。
• ユーザーおよびアイテムの類似性を統合することで予測精度を向上させること。
• 提案手法をSOTAの協調フィルタリング技術と比較すること。

提案手法

• ノイジィセンサー・モデルはベイズの定理を適用し、未観測アイテムに対するアクティブユーザーの評価の事後確率分布を計算する。
• 二値評価の場合は、センサーの信頼性を推定し、ユーザーの好みを予測するためのベイズ学習アプローチが用いられる。
• 多値評価の場合は、2つのモデルが提案される：1つはユーザー評価行動を線形モデルで表現し、もう1つはユーザー行動が同一であると仮定し、学習可能なセンサー精度を導入する。
• ユーザーおよびアイテムの類似性を統合することで、ユーザーおよびアイテムの相関構造を活用し、予測性能を向上させる。
• モデルは、補助情報なしに明示的評価に限定して、EachMovieデータセットを用いて訓練および評価される。
• 予測は、ノイジィセンサー・フレームワーク下での確率的推論により、複数ユーザーの評価から得られる証拠を統合することで生成される。

実験結果

リサーチクエスチョン

• RQ1 ノイジィセンサー・モデルは、従来の手法と比較して、どのように協調フィルタリングの精度を向上させるか？
• RQ2 ユーザーが少数のアイテムにしか評価を行わない状況でも、モデルは高い性能を維持できるか？
• RQ3 ユーザー行動に関する異なる仮定（線形 vs. 同一評価パターン）は、予測品質にどのように影響するか？
• RQ4 ユーザーおよびアイテムの類似性を統合することで、予測精度はどの程度向上するか？
• RQ5 二値評価のためのベイズ学習アプローチは、多値評価のためのモデルと比較して、どのように異なるか？

主な発見

• 提案されたノイジィセンサー・モデルは、SOTAの協調フィルタリング手法を著しく上回り、特にユーザーが2つのアイテムしか評価していない状況で顕著な性能向上を示した。
• 二値評価のためのベイズ学習バージョンは、強固な基盤を提供し、多値評価モデルのさらなる検討を促進するものであった。
• 多値評価の線形モデルは、同一センサー・モデルよりも優れた性能を示し、特に個々のユーザーの評価傾向を捉える際に優位性を示した。
• ユーザーおよびアイテムの類似性を統合することで、予測精度に顕著な向上が見られた。
• EachMovieデータセットにおける実験結果から、ノイジィセンサー・モデルが多様な評価スパarsityレベルにおいて、強固で効果的であることが確認された。
• モデルは一般化能力に優れ、ユーザーの評価履歴が極めて少ない状況でも高い精度を維持した。