[論文レビュー] TribeFlow: Mining & Predicting User Trajectories

Flávio Figueiredo, Bruno Ribeiro+2 more|arXiv (Cornell University)|Nov 3, 2015

Music and Audio Processing参考文献 59被引用数 4

ひとこと要約

TribeFlow は、非定常的で一時的かつ時間に依存するユーザーの軌跡を、潜在的で定常的かつ時間に依存しない環境における短いランダムウォークに分解することで、スケーラブルでパラメータフリーな手法である。次アイテム予測タスクにおいて、最先端の手法である MultiLME や FPMC よりも最大 900% の高い精度と 413× の高速性能を達成している。

ABSTRACT

Which song will Smith listen to next? Which restaurant will Alice go to tomorrow? Which product will John click next? These applications have in common the prediction of user trajectories that are in a constant state of flux over a hidden network (e.g. website links, geographic location). What users are doing now may be unrelated to what they will be doing in an hour from now. Mindful of these challenges we propose TribeFlow, a method designed to cope with the complex challenges of learning personalized predictive models of non-stationary, transient, and time-heterogeneous user trajectories. TribeFlow is a general method that can perform next product recommendation, next song recommendation, next location prediction, and general arbitrary-length user trajectory prediction without domain-specific knowledge. TribeFlow is more accurate and up to 413x faster than top competitors.

研究の動機と目的

• 非定常的で一時的かつ時間に依存する環境におけるユーザー軌跡予測の課題に対処すること。
• 分野特有の特徴や時刻の影響を必要としない汎用的な次アイテム予測手法の開発。
• 音楽、商品、場所の予測を含む多様な応用分野において、正確でスケーラブルなパーソナライズドレコメンデーションの実現。
• テンソル分解やマルコフベースのモデルが非同期的かつ進化するユーザー行動を捉えることの制限を克服すること。

提案手法

• TribeFlow は、ユーザーの軌跡を、潜在的で定常的かつ時間に依存しないアイテム同士のグラフ（潜在的環境）上の短いランダムウォークに分解する。
• パrameterチューニングを必要としない非パrametricな階層ベイジアンモデルを用いて、潜在的環境とユーザーの好みを推論する。
• ユーザー行動は、潜在的環境間の重み付きジャンプを通じて捉えられ、変化する関心に動的に適応可能である。
• ユーザー履歴に基づいてアクティブな潜在的環境の事後分布を計算し、ランダムウォークのシミュレーションによって次アイテムを予測する。
• 完全に並列化可能であり、大規模データセットでも高速な推論が可能である。
• ユーザー履歴を統合して現在の潜在的環境を推論し、ランダムウォークサンプリングにより次アイテムを予測する。

実験結果

リサーチクエスチョン

• RQ1 分野特有の特徴や時刻の影響を一切必要としない汎用的手法が、多様な分野におけるユーザー軌跡を正確に予測できるか？
• RQ2 テンソルベースおよびマルコフベースの手法と比較して、モデルが非定常的で一時的かつ時間に依存するユーザー軌跡行動をどれほど正確に捉えられるか？
• RQ3 大規模なユーザー軌跡データにおける次アイテム予測において、精度とスケーラビリティのトレードオフはどのように変化するか？
• RQ4 タイムスタンプや外部特徴が存在しない状況でも、生のユーザー軌跡からのみ潜在的環境を効果的に推論できるか？

主な発見

• TribeFlow は、次アイテム予測タスクにおいて、MultiLME や PRLME、FPMC といった最先端手法よりも最大 900% の高い精度を達成している。
• 最も速い競合手法である MultiLME よりも最大 413× 速く、1日ではなく数時間でタスクを完了できる。
• 非同期ユーザーを含む合成データでは、TribeFlow は元のマルコフ連鎖構造を完璧に回復するが、テンソル分解はユーザー固有のパターンを特定できない。
• 特に一時的かつ非定常な状況において、TM-LDA やテンソル因子分解手法よりも、潜在的ユーザー行動を効果的に捉えている。
• パrameterチューニングなしで安定した性能を示し、YooChoose や LFM-1k、FourSquare といった複数のデータセットにわたる強力な汎化性能を確認した。
• サブサンプルされたデータセットにおいても、TribeFlow は競合他手法よりも最低でも 23% の高い精度を示しており、一貫した優位性を確認した。