[論文レビュー] Top-N Recommendation with Novel Rank Approximation

Zhao Kang, Qiang Cheng|arXiv (Cornell University)|Feb 25, 2016

Sparse and Compressive Sensing Techniques参考文献 29被引用数 3

ひとこと要約

本稿では、Top-N推薦において核ノルムを凌駂数学的に優れた真のランク関数をよりよく模倣する、新たな非凸ランク近似を提案する。この近似をLorSLIMフレームワークに統合することで、6つの実世界データセットにおいて推薦精度が顕著に向上し、最先端のベースライン比で平均してHit Rateが11.66%、ARHRが11.23%向上する。

ABSTRACT

The importance of accurate recommender systems has been widely recognized by academia and industry. However, the recommendation quality is still rather low. Recently, a linear sparse and low-rank representation of the user-item matrix has been applied to produce Top-N recommendations. This approach uses the nuclear norm as a convex relaxation for the rank function and has achieved better recommendation accuracy than the state-of-the-art methods. In the past several years, solving rank minimization problems by leveraging nonconvex relaxations has received increasing attention. Some empirical results demonstrate that it can provide a better approximation to original problems than convex relaxation. In this paper, we propose a novel rank approximation to enhance the performance of Top-N recommendation systems, where the approximation error is controllable. Experimental results on real data show that the proposed rank approximation improves the Top-$N$ recommendation accuracy substantially.

研究の動機と目的

• Top-N推薦における低ランク行列近似における核ノルム緩和の限界を解決する。
• 真の行列ランク関数に対するよりタイトで制御可能な近似を構築し、推薦品質を向上させる。
• 核ノルムに基づくランク最小化を置き換えることで、LorSLIMモデルの性能を向上させる。
• より良いランク近似が、特にスパースデータ環境下で顕著な推薦精度向上をもたらすことを実証する。
• 提案された非凸ランク近似に対するスケーラブルで効率的な最適化戦略を提供する。

提案手法

• パラメータδを用いて近似誤差を制御可能な新たな非凸代替関数を提案し、行列ランクを真のランクに近づける。
• LorSLIMフレームワーク内で新しいランク近似を用いて、低ランクかつスパースな行列最適化問題としてTop-N推薦問題を定式化する。
• 各部分問題に対して閉形式解を有する効率的な交替方向乗数法（ADMM）アルゴリズムを設計し、スケーラブルな最適化を実現する。
• 収束性と安定性を向上させるために、増大ラグランジュ法に動的ペナルティパラメータμを導入する。
• l1ノルム正則化パラメータαを用いて、アグリゲーション行列のスパarsityを制御し、推薦カバレッジと精度のバランスを取る。
• パラメータβを用いて、学習された類似度行列における低ランク構造とスパース構造のトレードオフを制御する。

実験結果

リサーチクエスチョン

• RQ1 非凸ランク近似は、核ノルムに比べてTop-N推薦における行列ランク関数の代替として優れているか？
• RQ2 核ノルムをこの新しい近似に置き換えることで、実世界のデータセットにおいて測定可能な推薦精度の向上が得られるか？
• RQ3 提案モデルの主要ハイパーパrameterα、β、δに対する性能感度はどの程度か？
• RQ4 提案手法は、LorSLIMに比べて、元のユーザ・アイテム行列をどの程度正確に再構築できるか？
• RQ5 Nの値を変化させた場合、提案手法はItemKNN、PureSVD、WRMF、BPRMF、SLIM、LorSLIMといった最先端アルゴリズムと比較してどの程度優れているか？

主な発見

• 提案手法は、6つの実データセット全体でLorSLIM比平均11.66%のHit Rate（HR）向上と11.23%の平均逆順位（ARHR）向上を達成した。
• 平均的に、ItemKNN、PureSVD、WRMF、BPRKNN、BPRMF、SLIMはそれぞれHRで40.41%、47.22%、34.65%、27.99%、36.01%、25.67%の向上を示した。
• 行列再構築品質は顕著に優れている：提案手法はXの非ゼロ要素の平均値を1.338に回復したのに対し、LorSLIMでは0.0665にとどまり、情報保持能力が顕著に優れている。
• Nの値が5から25に変化するあらゆる設定において、提案手法はすべてのベースラインを一貫して上回る性能を維持した。
• δ ≤ 0.1の場合、真のランクに近い近似が得られ、近似誤差はわずか0.05にとどまり、代替関数の制御可能性と正確性が裏付けられた。
• 性能はβよりもαにより敏感であり、最適性能は中程度のα値で達成された。αが大きすぎるとスパarsityが過剰になり、推薦品質が低下する。