[論文レビュー] Towards Equivalent Transformation of User Preferences in Cross Domain Recommendation

Xu Chen, Ya Zhang+3 more|arXiv (Cornell University)|Sep 15, 2020

Recommender Systems and Techniques被引用数 9

ひとこと要約

本稿では、相互に整合的な変換を通じて、共有およびドメイン固有の特徴を保持しつつ、複数ドメインにおけるユーザーの好みをモデル化する、新たなクロスドメイン推薦手法である等価変換学習者（ETL）を提案する。ETLは変分推論と等価変換を統合してユーザー行動分布を同時にモデル化することで、ヒューリスティックな設計やデータ選択を必要とせず、3つのベンチマークで最先端の性能を達成する。

ABSTRACT

Cross domain recommendation (CDR) is one popular research topic in recommender systems. This paper focuses on a popular scenario for CDR where different domains share the same set of users but no overlapping items. The majority of recent methods have explored the shared-user representation to transfer knowledge across domains. However, the idea of shared-user representation resorts to learn the overlapped features of user preferences and suppresses the domain-specific features. Other works try to capture the domain-specific features by an MLP mapping but require heuristic human knowledge of choosing samples to train the mapping. In this paper, we attempt to learn both features of user preferences in a more principled way. We assume that each user's preferences in one domain can be expressed by the other one, and these preferences can be mutually converted to each other with the so-called equivalent transformation. Based on this assumption, we propose an equivalent transformation learner (ETL) which models the joint distribution of user behaviors across domains. The equivalent transformation in ETL relaxes the idea of shared-user representation and allows the learned preferences in different domains to preserve the domain-specific features as well as the overlapped features. Extensive experiments on three public benchmarks demonstrate the effectiveness of ETL compared with recent state-of-the-art methods. Codes and data are available online:~\url{https://github.com/xuChenSJTU/ETL-master}

研究の動機と目的

• 既存のクロスドメイン推薦（CDR）手法が、共有ユーザー表現に過剰に重きを置くあまり、ドメイン固有の特徴を損なうという制限を解消すること。
• 統一されたフレームワーク内で重複する特徴とドメイン固有のユーザー好みの特徴を両方捉える、原則に基づいた手法を開発すること。
• 密度の高いユーザーのサンプル選択やマッピング関数のためのネットワーク構造の手動設計といったヒューリスティックな人為的介入の必要性を排除すること。
• 変分推論と等価変換を用いて、ドメイン間のユーザー行動の同時分布をモデル化すること。
• ユーザーとアイテムが重複しない（U-NI）状況、すなわちユーザーは共有されるがアイテムは共有されない状況での推薦性能を向上させること。

提案手法

• あるドメインにおけるユーザー好みが、他ドメインに等価に変換可能であると仮定する等価変換学習者（ETL）を提案する。
• 尤度を最大化するために、ドメイン間のユーザー行動の同時分布を変分推論を用いてモデル化する。
• 共有特徴とドメイン固有特徴の両方を保持する、学習可能な等価変換モジュールを導入し、ドメイン間のユーザー表現をマッピングする。
• 結合ユーザー表現分布にガウス事前分布を用い、変換の強度と正則化を制御するハイパーパrameterを設定する。
• 潜在表現を学習し、両ドメインにおけるユーザー行動を再構築するため、変分オートエンコーダーに類似した構造を採用する。
• 再構築損失と事前分布正則化の項を別々に持つ、尤度下界（ELBO）を最適化することでモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 あるドメインにおけるユーザー好みを、他ドメインに効果的かつ等価に変換することで、クロスドメイン推薦の性能が向上するか？
• RQ2 両方の特徴（共有とドメイン固有）を損なわず、同時に捉えるモデルは、どのように実現できるか？
• RQ3 ヒューリスティックな手法（人為的に選択された密度の高いユーザーや手動設計のネットワーク構造に依存）よりも、原則的で尤度に基づくアプローチが優れているか？
• RQ4 異なる事前分布が、等価変換モデルの性能にどのように影響するか？
• RQ5 変換の強度と正則化を制御するハイパーパrameterが、モデル性能に与える影響は何か？

主な発見

• ETLは、Movie & Book、Movie & Music、Music & Bookの3つの公開ベンチマークで最先端の性能を達成し、DARec や EMCDR といった既存手法を上回る。
• Movie & Book データセットでは、HR@10 が 0.6550、NDCG@10 が 0.4442 を達成し、次善の手法より NDCG で 0.02 以上優れている。
• 一様事前分布は、ユーザー好みの分布に関する仮定が不一致であるため一貫して性能が低く、ガウス分布とラプラス分布は同等に強く、優れた性能を示す。
• ハイパーパrameter感受性分析の結果、最適な設定はデータセットによって異なり、Movie & Book では λ ≈ 0.2 と η ≈ 10.0 が最良の結果をもたらし、Movie & Music では λ ≈ 5.0 と η ≈ 0.5 が最適である。
• MVGaussian 事前分布は、標準ガウス分布よりも性能が向上しない。これは、パラメータの指定が難しく、人為的バイアスのリスクがあるためと推察される。
• アブレーションスタディの結果、共有特徴とドメイン固有特徴の両方を学習することが不可欠であることが確認され、共有特徴のみに注目したモデルは性能が劣ることがわかった。