[論文レビュー] Try This Instead: Personalized and Interpretable Substitute Recommendation

Tong Chen, Hongzhi Yin+4 more|arXiv (Cornell University)|May 19, 2020

Recommender Systems and Techniques参考文献 49被引用数 9

ひとこと要約

本稿では、ユーザーのレビューから明示的で感情極性を持つ属性を抽出することで、ユーザーの好みとアイテムの特性を橋渡しする、パーソナライズ可能で解釈可能な代替推薦モデルA2CFを提案する。ユーザー、アイテム、属性の表現を同時に学習することで、A2CFはパーソナライズされた代替推薦と直感的で属性レベルの説明を両立させ、実世界のデータセットにおいて、推薦の質と解釈可能性の両面で従来手法を上回る性能を発揮する。

ABSTRACT

As a fundamental yet significant process in personalized recommendation, candidate generation and suggestion effectively help users spot the most suitable items for them. Consequently, identifying substitutable items that are interchangeable opens up new opportunities to refine the quality of generated candidates. When a user is browsing a specific type of product (e.g., a laptop) to buy, the accurate recommendation of substitutes (e.g., better equipped laptops) can offer the user more suitable options to choose from, thus substantially increasing the chance of a successful purchase. However, existing methods merely treat this problem as mining pairwise item relationships without the consideration of users' personal preferences. Moreover, the substitutable relationships are implicitly identified through the learned latent representations of items, leading to uninterpretable recommendation results. In this paper, we propose attribute-aware collaborative filtering (A2CF) to perform substitute recommendation by addressing issues from both personalization and interpretability perspectives. Instead of directly modelling user-item interactions, we extract explicit and polarized item attributes from user reviews with sentiment analysis, whereafter the representations of attributes, users, and items are simultaneously learned. Then, by treating attributes as the bridge between users and items, we can thoroughly model the user-item preferences (i.e., personalization) and item-item relationships (i.e., substitution) for recommendation. In addition, A2CF is capable of generating intuitive interpretations by analyzing which attributes a user currently cares the most and comparing the recommended substitutes with her/his currently browsed items at an attribute level. The recommendation effectiveness and interpretation quality of A2CF are demonstrated via extensive experiments on three real datasets.

研究の動機と目的

• アイテムレベルの類似性を超えたユーザー固有の好みを組み込むことで、パーソナライズされた代替推薦におけるギャップを埋める。
• 従来の潜在要因ベースのモデルにおける解釈可能性の欠如を克服し、属性レベルの説明を可能にする。
• 暗黙の埋め込みではなく、レビューからの明示的で感情分析された属性を通じて、ユーザーとアイテムの相互作用をモデル化する。
• ユーザーが関心を示す属性の特徴を比較することで、文脈的にパーソナライズされ、説明可能な推薦を生成する。

提案手法

• A2CFは、感情分析を用いてユーザーのレビューから明示的で極性を持つアイテム属性（例：カメラの画質、バッテリー駆動時間）を抽出する。
• 共有された埋め込み空間を用いた協調フィルタリングフレームワークにより、ユーザー、アイテム、属性の低次元表現を同時に学習する。
• ユーザーの好みのモデリングを最適化するため、三重項損失関数を用いる。これにより、ユーザーが重視する次元で優れた属性を持つアイテムが推薦されるように保証される。
• 代替推薦は、ユーザーが強い好みを示した重要な属性において、ターゲットアイテムを上回るアイテムを特定することで生成される。
• 解釈は、ユーザーが重視する上位の属性を分析し、閲覧中のアイテムと代替候補の間でその値を比較することで生成される。
• フレームワークは、属性レベルの差異を強調することで、パーソナライズされた候補生成と人間が読める根拠の両方をサポートする。

実験結果

リサーチクエスチョン

• RQ1 レビューレビューから明示的な属性モデリングを行うことで、潜在要因ベースの手法と比較して、代替推薦のパーソナライズ性が向上するか？
• RQ2 ユーザー固有の属性好みを特定し、アイテム間で属性値を比較することで、代替推薦をどのようにして解釈可能にするか？
• RQ3 レビューレビューから感情極性を持つ属性を組み込むことで、推薦の性能と説明の質がどの程度向上するか？
• RQ4 ユーザーの好みの整合性を測定することで、モデルが生成する説明が、正確かつユーザーの意図と整合しているか？
• RQ5 推薦効果性と解釈可能性の指標の両面で、A2CFは最先端のモデルと比較してどの程度優れているか？

主な発見

• A2CFは、行列分解やニューラルネットワークベースの手法を含むベースラインモデルと比較して、3つの実世界データセットにおいて標準的な推薦指標（例：NDCG、Recall）で優れた性能を達成した。
• ユーザー研究と定性的分析による検証を通じて、ユーザーの好みと整合する属性レベルの説明を生成することで、解釈可能性が著しく向上した。
• A2CFは、CLVAその他の潜在要因ベースのモデルと比較して、推薦の正確性と説明の質の両面で優れており、明示的属性モデリングの利点を示した。
• アブレーションスタディの結果、感情極性を持つ属性抽出が、特にパーソナライズ性向上において最も寄与していることが確認された。
• ユーザーは、閲覧中のアイテムと代替候補との間で特定で測定可能な属性の差異を強調しているため、モデルの説明がより直感的で信頼できると感じた。