[論文レビュー] Two-Way Latent Grouping Model for User Preference Prediction

Eerika Savia, Kai Puolamäki+2 more|arXiv (Cornell University)|Jul 4, 2012

Recommender Systems and Techniques参考文献 7被引用数 3

ひとこと要約

本稿では、新規ドキュメントのレーティングが少ない場合のユーザープレファレンス予測を向上させるために、潜在的ユーザ群とドキュメント群を同時にモデル化するTwo-Way Latent Grouping Modelを提案する。Gibbsサンプリングを用いることで、ドキュメントレベルのグループ化を活用し、新規ドキュメントにおけるコールドスタート状況での一般化性能と予測精度を著しく向上させる。

ABSTRACT

We introduce a novel latent grouping model for predicting the relevance of a new document to a user. The model assumes a latent group structure for both users and documents. We compared the model against a state-of-the-art method, the User Rating Profile model, where only users have a latent group structure. We estimate both models by Gibbs sampling. The new method predicts relevance more accurately for new documents that have few known ratings. The reason is that generalization over documents then becomes necessary and hence the twoway grouping is profitable.

研究の動機と目的

• レーティングデータがスパースな新規ドキュメントのユーザープレファレンス予測精度を向上させること。
• 新規アイテムに割り当てられたレーティングが少ないため、推薦システムにおけるコールドスタート問題に対処すること。
• 単にユーザーグループのみをモデル化するのではなく、ユーザとドキュメントの両方の潜在的グループ構造を同時にモデル化すること。
• ユーザーレベルのクラスタリングに加えてドキュメントレベルのクラスタリングを組み込むことで、一般化性能を向上させること。
• 最先端のベースライン（User Rating Profile）と比較して、関連性予測における本モデルの性能を評価すること。

提案手法

• 本モデルは、ユーザおよびドキュメントの両方に対して潜在的グループ構造を仮定し、両者のエンティティを統合的にクラスタリングすることを可能にする。
• 観測されたレーティングから、ユーザおよびドキュメントのグループメンバーシップを推定するための生成的確率的フレームワークを採用する。
• 潜在的グループ割り当ての事後分布を推定するために、Gibbsサンプリングを用いる。
• 本モデルは、ユーザの潜在的グループと、評価対象のドキュメントの潜在的グループの両方を考慮することで、ユーザの好みを学習する。
• レーティングの尤度は、ユーザとドキュメントの両方のグループメンバーシップに条件付けられてモデル化される。
• 二方向のグループ化により、レーティングが少ない新規ドキュメントの関連性予測において、より優れた一般化性能が達成される。

実験結果

リサーチクエスチョン

• RQ1 潜在的ユーザ群とドキュメント群を同時にモデル化することで、レーティングが少ない新規ドキュメントの予測精度が向上するか？
• RQ2 ドキュメントレベルのグループ化を組み込むことで、単にユーザーチャンネルのみをグループ化するモデルと比較して、性能にどのような影響を与えるか？
• RQ3 新規ドキュメントのコールドスタート状況において、二方向潜在グループ化モデルはより優れた一般化性能を示すか？
• RQ4 ユーザーグループ構造とドキュメントグループ構造の両方が、予測性能にそれぞれどの程度寄与しているか？
• RQ5 ユーザーグループのみをモデル化するUser Rating Profileモデルと比較して、本モデルの性能はどのように異なるか？

主な発見

• Two-Way Latent Grouping Modelは、User Rating Profileモデルと比較して、レーティングが少ない新規ドキュメントの予測精度を著しく向上させる。
• 性能向上は特にコールドスタート状況で顕著であり、ドキュメントレベルの一般化が不可欠である。
• ユーザとドキュメントの両方のグループ構造を統合的にモデル化することで、両方の次元におけるパターンを活用したより優れた一般化が可能になる。
• Gibbsサンプリングの使用により、ユーザおよびドキュメントの両方の潜在的グループ構造に対する効果的な推論が可能になる。
• スパースなレーティングデータを持つアイテムの関連性予測において、ドキュメントグループ構造を組み込むことが有益であることが実証された。
• 特に1ドキュメントあたりの既知のレーティング数が少ない状況において、本モデルは関連性予測において優れた性能を達成する。