[論文レビュー] Trust-Based Collaborative Filtering: Tackling the Cold Start Problem Using Regular Equivalence

Tomislav Đuričić, Emanuel Lacić+2 more|arXiv (Cornell University)|Jul 18, 2018

Privacy-Preserving Technologies in Data参考文献 13被引用数 6

ひとこと要約

本稿では、冷たいうつしの問題を解決するため、正規同値性を用いたKatz類似度（KS）を用いた信頼ベースの協調フィルタリング手法を提案する。反復的なKSを信頼ネットワークに適用し、経路長制御と正規化技術を用いることで、特に長さ2の経路における伝播信頼を強化することで、ベースラインを上回る高い推薦精度を達成した。最高の手法（KS_{PCMB}）は、すべての指標で他の手法を上回った。

ABSTRACT

User-based Collaborative Filtering (CF) is one of the most popular approaches to create recommender systems. This approach is based on finding the most relevant k users from whose rating history we can extract items to recommend. CF, however, suffers from data sparsity and the cold-start problem since users often rate only a small fraction of available items. One solution is to incorporate additional information into the recommendation process such as explicit trust scores that are assigned by users to others or implicit trust relationships that result from social connections between users. Such relationships typically form a very sparse trust network, which can be utilized to generate recommendations for users based on people they trust. In our work, we explore the use of a measure from network science, i.e. regular equivalence, applied to a trust network to generate a similarity matrix that is used to select the k-nearest neighbors for recommending items. We evaluate our approach on Epinions and we find that we can outperform related methods for tackling cold-start users in terms of recommendation accuracy.

研究の動機と目的

• 協調フィルタリングにおける冷たいうつしの問題、特に新規ユーザーが少数または全くレーティングを付けていない状況を解決すること。
• 明示的および暗黙的な信頼関係を活用し、冷たいうつしユーザーの近隣ユーザー選択を改善すること。
• 正規同値性の測定としてのKatz類似度を、信頼ネットワーク内での類似度計算をより正確に行うために活用すること。
• 正規化技術と信頼伝播長の推薦精度への影響を評価すること。
• 間接的信頼経路（長さ2）の類似度値を強化することで、伝播信頼の影響を高め、推薦性能を向上させること。

提案手法

• Epinionsデータセットのユーザー間信頼関係から有向信頼隣接行列を構築する。
• 最大経路長（k_max）を設定可能な反復的Katz類似度（KS）計算を実行し、ユーザー間のペアワイズ類似度を算出する。
• 長さ2の経路の類似度値を強化する修正KS測定を導入し、間接的信頼接続の重みを高める。
• 複数の正規化技術（結合次数正規化、l1、l2、またはmaxノルムを用いた行正規化）を適用し、類似度分布の安定化と向上を図る。
• 得られた類似度行列を用いて協調フィルタリングのためのk近傍（k=10）を特定する。
• 推薦アイテム数（k=1から10）を変化させた際の標準的な精度指標（例：Recall、Precision）を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 Katz類似度（正規同値性の測定として）を用いることで、冷たいうつしユーザーの近隣ユーザー選択が効果的に改善されるか。
• RQ2 KS計算における最大経路長（k_max）の制御が推薦精度に与える影響は何か。
• RQ3 KSをスパースな信頼ネットワークに適用する際、どの正規化技術（次数正規化、行正規化）が最も安定的かつ正確な類似度行列をもたらすか。
• RQ4 間接的信頼経路（長さ2）の類似度値を強化することで、標準KSと比較して推薦性能が向上するか。
• RQ5 提案手法（KSベース）は、信頼度（Trust_exp）、ピアソン、コサイン類似度などのベースライン手法と比較して、さまざまなk値において精度と頑健性に優れているか。

主な発見

• 結合次数正規化、maxノルムを用いた行正規化、k_max=2、長さ2の経路の類似度値を強化したKS_{PCMB}手法が、すべての精度指標で最高の性能を達成した。
• 信頼伝播を無効化した場合（k_max=1）、正規化を施さない単純なTrust_exp手法が、より複雑な正規化スキームを上回った。
• 信頼伝播により、類似度行列の密度が0.0002から0.008に上昇し、利用可能な近隣関係の数が顕著に増加した。
• maxノルムを用いた行正規化は、ほとんどの設定でl1およびl2正規化を上回った。
• in-degree正規化のみよりも、結合次数正規化がより優れた結果をもたらしたが、特に行正規化と組み合わせた場合に顕著であった。
• KS_{PCMB}手法は、k=1から10の全範囲でRecall-Precisionプロットにおいて、すべてのベースラインおよび他のKSベースの変種を一貫して上回り、推薦リスト長にかかわらず頑健であることが示された。