[論文レビュー] Top-N Recommender System via Matrix Completion

Zhao Kang, Chong Peng+1 more|arXiv (Cornell University)|Jan 19, 2016

Recommender Systems and Techniques参考文献 27被引用数 22

ひとこと要約

本稿では、トップNレコメンデーションシステムにおける非凸行列補完法を提案し、低ランクのユーザ-アイテム行列を対数行列式ランクの代替関数で近似することで、HRおよびARHR指標において、SLIM や LorSLIM といった最先端手法を上回る顕著な向上を達成した。6つの実世界データセットで検証された結果、推薦精度が向上した。

ABSTRACT

Top-N recommender systems have been investigated widely both in industry and academia. However, the recommendation quality is far from satisfactory. In this paper, we propose a simple yet promising algorithm. We fill the user-item matrix based on a low-rank assumption and simultaneously keep the original information. To do that, a nonconvex rank relaxation rather than the nuclear norm is adopted to provide a better rank approximation and an efficient optimization strategy is designed. A comprehensive set of experiments on real datasets demonstrates that our method pushes the accuracy of Top-N recommendation to a new level.

研究の動機と目的

• データのスパarsity と 非最適なランク近似によるトップNレコメンデーションシステムにおける推薦品質の低さを是正する。
• SLIM や LorSLIM といった既存手法が、元のユーザ-アイテムレーティングを完全に保持できない、またはスパースデータに対して困難を示すという限界を克服する。
• 真の低ランク構造をよりよく近似する非凸ランク最小化を用いて、ユーザ-アイテム行列の再構築により推薦精度を向上させる。
• 収束速度と精度のバランスを取るために、動的かつ増加するペナルティパラメータ μ を用いた ADMM を用いた効率的な最適化アルゴリズムを設計する。
• スパarsity 水準やサイズが異なる多様な実世界データセットにおいて、優れた性能と頑健性を示すことを実証する。

提案手法

• 行列ランクの近似に、対数行列式関数を用いた非凸ランク最小化問題として行列補完を定式化する。
• ユーザ-アイテム行列の観測済みエントリを保持する制約を導入し、再構築中に元のデータが保持されることを保証する。
• 従来の手法では核ノルムを凸の代替関数として用いているが、本手法ではより優れた低ランク近似が得られる非凸の対数行列式関数に置き換える。
• 収束を加速するために、動的に増加するペナルティパラメータ μ を用いた、交替方向乗数法（ADMM）を適用する。
• 低ランク近似のための効率的な SVD 計算を活用して反復的に最適化問題を解き、時間計算量を低減する。
• 観測済みエントリに対して X_ij = M_ij となるように、完全なユーザ-アイテム行列 X を再構築する。

実験結果

リサーチクエスチョン

• RQ1 対数行列式関数を用いた非凸ランク近似は、凸の核ノルム緩和法と比較して、トップN推薦精度を向上させることができるか？
• RQ2 本手法は、SLIM や LorSLIM、BPRMF や WRMF といった最先端手法と比較して、多様な実世界データセットでどのように性能を発揮するか？
• RQ3 特にスパースな状況下において、本手法は元のユーザ-アイテムレーティングをどの程度正確に再構築できるか？
• RQ4 ADMM フレームワークにおける補助パラメータ（初期 μ と γ）の選択に、本手法の性能がどれほど感度を示すか？
• RQ5 LorSLIM などの既存の行列補完ベースのレコメンダーと比較して、本手法の計算効率はどの程度高いか？

主な発見

• 本手法は、ItemKNN に対して平均で Hit Rate (HR) が 48.55% 向上し、Average Reciprocal Hit Rate (ARHR) が 60.38% 向上し、他のすべてのベースラインを上回った。
• ML100K データセットでは、本手法はすべてのゼロエントリを平均 0.554 で回復させ、LorSLIM の 0.046 よりも顕著に高い再構築忠実度を示した。
• 2番目に優れたベースラインである LorSLIM よりも、HR で平均 14.15%、ARHR で 14.15% の向上を示し、6つのデータセットすべてで一貫した優位性を示した。
• 本手法はパラメータ選択に対して頑健である：異なる初期 μ⁰ および γ 値に対しても HR は安定しており、補助パラメータへの感度が低いことが示された。
• LorSLIM よりも著しく高速であり、ML100K では 9 秒、lastfm では 5080 秒で実行されたのに対し、LorSLIM はそれぞれ 617 秒および 32974 秒を要した。γ の導入によりさらに高速化が可能であり、精度の大幅な損失なく実現された。