[論文レビュー] Understanding Diversity in Session-Based Recommendation

Yin Qing, Hui Fang+2 more|arXiv (Cornell University)|Aug 29, 2022

Recommender Systems and Techniques被引用数 7

ひとこと要約

本論文は、16種類の最先端のセッションベース推薦システム（SBRS）を包括的に実証的に調査し、精度と多様性の相互作用を検討する。非多様化モデルが強力な多様性性能を達成できること、精度と多様性の関係が常にトレードオフであるとは限らないことが明らかになった。モデルやデータセットに応じて、正の相関または混合の関係を示す場合もあり、アイテム埋め込みのクラスタリングやデータセットの多様性が多様性の結果に影響を与える主要因となる。

ABSTRACT

Current session-based recommender systems (SBRSs) mainly focus on maximizing recommendation accuracy, while few studies have been devoted to improve diversity beyond accuracy. Meanwhile, it is unclear how the accuracy-oriented SBRSs perform in terms of diversity. Besides, the asserted "trade-off" relationship between accuracy and diversity has been increasingly questioned in the literature. Towards the aforementioned issues, we conduct a holistic study to particularly examine the recommendation performance of representative SBRSs w.r.t. both accuracy and diversity, striving for better understanding the diversity-related issues for SBRSs and providing guidance on designing diversified SBRSs. Particularly, for a fair and thorough comparison, we deliberately select state-of-the-art non-neural, deep neural, and diversified SBRSs, by covering more scenarios with appropriate experimental setups, e.g., representative datasets, evaluation metrics, and hyper-parameter optimization technique. Our empirical results unveil that: 1) non-diversified methods can also obtain satisfying performance on diversity, which might even surpass diversified ones; and 2) the relationship between accuracy and diversity is quite complex. Besides the "trade-off" relationship, they might be positively correlated with each other, that is, having a same-trend (win-win or lose-lose) relationship, which varies across different methods and datasets. Additionally, we further identify three possible influential factors on diversity in SBRSs (i.e., granularity of item categorization, session diversity of datasets, and length of recommendation lists).

研究の動機と目的

• セッションベース推薦システム（SBRS）における推薦精度と多様性の関係を調査し、一般的に想定されるトレードオフを検証すること。
• 非ニューラル、ディープニューラル、多様化型の広範なSBRSを、公平な比較のための精度と多様性のメトリクスで評価すること。
• モデル設計以外の要因、例えばアイテムの分類粒度、データセット内のセッション多様性、推薦リスト長さが多様性に与える影響を特定すること。
• 学習済みアイテム埋め込みの分析を通し、PCPおよびNCPの構成要素を提案することで、多様化SBRSの実用的設計指針を提供すること。
• 改善された埋め込み表現を用いることで、精度を損なわず多様性を向上させられることを示すこと。

提案手法

• 本研究は、Diginetica、Retailrocket、Tmall、Yoochooseの4つの代表的データセットを用い、16種類の最先端SBRSを評価する。
• 複数の評価メトリクスを用いる：HR@10（精度）、ILD@10（多様性）、F-score@10（包括的パフォーマンス）。
• 本研究では、異なるカテゴリの埋め込みを混合することを促進する2つの新規構成要素—PCP（ペairwise Category Prior）とNCP（Neighborhood Category Prior）—を導入する。
• PCPはカテゴリ固有の事前分布を学習することでカテゴリ間混合を促進する。一方、NCPは局所的埋め込み正則化を通じて近隣レベルの多様性を促進する。
• PCPおよびNCPの有効性は、STAMPモデルに統合し、UMAPを用いた埋め込み空間の可視化を通じてeコマースデータセットで評価された。
• ケーススタディでは、埋め込みクラスタリングのパターンを分析し、モデルパフォーマンスと学習済み表現におけるカテゴリ分離度の関連を明らかにした。

実験結果

リサーチクエスチョン

• RQ1 SBRSにおける精度と多様性の間の一般的なトレードオフ仮定が、異なるモデルやデータセットにおいて成り立つかどうか。
• RQ2 明示的な多様性モジュールを備えない非多様化SBRSが、強力な多様性パフォーマンスを達成できるか。
• RQ3 アイテム分類粒度、データセット内のセッション多様性、推薦リスト長さといった要因が多様性の結果にどのように影響するか。
• RQ4 学習済みアイテム埋め込みがどの程度カテゴリレベルのクラスタリングを反映しているか、そしてそれが多様性にどのように影響するか。
• RQ5 PCPおよびNCPによる改善された埋め込み表現は、SBRSにおける精度と多様性の両方を向上させられるか。

主な発見

• GRU4Rec、POP、S-POPといった非多様化モデルが、MCPRN や ComiRec といった専用の多様化モジュールを備えたモデルを上回る多様性パフォーマンスを示す場合がある。
• 精度と多様性の関係が常にトレードオフであるとは限らず、多くの場合、正の相関関係にあることが判明した。これは、モデルやデータセットに応じて、ウィンウィンまたはロースロスの傾向を示すことを意味する。
• IDSRは、多様性メトリクスで常に上位にランクされ、その専用多様性モジュールの有効性が裏付けられた。
• NCPは、3つのeコマースデータセットすべてで多様性（ILD@10）と包括的パフォーマンス（F-score@10）においてPCPを上回ったが、DigineticaおよびRetailrocketではPCPがより高い精度を示した。
• データセット内のセッション多様性の度合い（データセット多様性スコアで測定）は、モデルパフォーマンスに顕著な影響を与える。Tmallのような高多様性データセットでは、埋め込みの操作による多様性向上が困難になる。
• UMAPを用いた学習済み埋め込みの可視化により、埋め込み空間でカテゴリ間混合が顕著なモデルがより優れた多様性を達成することが確認された。これは、PCPおよびNCPが多様性向上に効果的な構成要素であることを裏付ける。