[論文レビュー] User Modeling Combining Access Logs, Page Content and Semantics

Blaž Fortuna, Dunja Mladenić+1 more|arXiv (Cornell University)|Mar 25, 2011

Recommender Systems and Techniques参考文献 21被引用数 6

ひとこと要約

本稿では、大規模なWebシステムにおけるユーザーセグメンテーションの精度を向上させるために、アクセスログ、Webページのコンテンツ、意味的メタデータを統合するハイブリッドユーザーモデリング手法を提案する。低レベルのアクセスパターンと、ページコンテンツから抽出された意味的特徴を組み合わせることで、ログやコンテンツのみを用いる場合と比較して、顕著に高い精度でユーザを事前に定義されたセグメントに割り当てることができる。特に、データが乏しい状況では意味的拡張（semantic enrichment）が顕著に有効であることが示された。

ABSTRACT

The paper proposes an approach to modeling users of large Web sites based on combining different data sources: access logs and content of the accessed pages are combined with semantic information about the Web pages, the users and the accesses of the users to the Web site. The assumption is that we are dealing with a large Web site providing content to a large number of users accessing the site. The proposed approach represents each user by a set of features derived from the different data sources, where some feature values may be missing for some users. It further enables user modeling based on the provided characteristics of the targeted user subset. The approach is evaluated on real-world data where we compare performance of the automatic assignment of a user to a predefined user segment when different data sources are used to represent the users.

研究の動機と目的

• 大規模なWebアプリケーション向けに、異種のデータソースを統合する包括的なユーザーモデリングフレームワークの構築を目的とする。
• アクセスログやページコンテンツに依存するのみの限界を補うために、ユーザーやページ、相互作用に関する意味的情報を統合することを目的とする。
• 複数のデータソースを組み合わせることでユーザーセグメンテーションのパフォーマンスがどのように向上するかを評価することを目的とする。
• ターゲットコンテンツ配信やパーソナライズドサービスのための正確なユーザープロファイリングを可能にすることを目的とする。
• 意味的拡張が、アクセスログが不完全または乏しい状況においてもモデルの頑健性を高めることを実証することを目的とする。

提案手法

• ユーザープロフィールは、訪問頻度やタイミングなどのアクセスログから抽出された特徴を用いて構築される。
• ページコンテンツは自然言語処理技術を用いて処理され、トピック的・主題的特徴が抽出される。
• 知識ベース（例：DBpedia や類似のもの）を用いて意味的メタデータが抽出され、ページおよびユーザーレプリゼンテーションに構造化された概念が付加される。
• ログ、コンテンツ、意味的特徴から得られる特徴が、各ユーザごとに統合された特徴ベクトルに統合され、欠損値は補完法または重み付け処理で扱われる。
• 統合された特徴セットを用いて、教師あり分類モデルを訓練し、ユーザを事前に定義されたセグメントに割り当てる。
• 本手法はインクリメンタル学習をサポートしており、大手Webプラットフォームの実際のアクセスログを用いて評価されている。

実験結果

リサーチクエスチョン

• RQ1 アクセスログ、ページコンテンツ、意味的メタデータを統合することで、個々のデータソースのみを用いる場合と比較して、ユーザーモデリングの精度がどの程度向上するか？
• RQ2 アクセスログが乏しいまたは不完全な状況において、意味的拡張がユーザープロファイリングにどの程度効果を発揮するか？
• RQ3 実世界のWeb環境において、どのデータソースの組み合わせが最も頑健かつ正確なユーザーセグメンテーションを実現するか？
• RQ4 欠損した特徴値が、ハイブリッドユーザーモデリング手法のパフォーマンスにどのように影響を与えるか？
• RQ5 意味的特徴は、明示的なクリックパターンを超えて、ユーザの関心を効果的に捉えることができるか？

主な発見

• 意味的特徴の統合により、アクセスログやコンテンツのみを用いる場合と比較して、ユーザーセグメンテーションの精度が顕著に向上した。
• ハイブリッドモデルは、ログやコンテンツのみに依存するベースラインモデルと比較して、F1スコアで15–20％の相対的改善を達成した。
• 意味的拡張は、アクセスログが乏しいユーザに対して特に有効であり、低活動状況におけるパフォーマンスの低下を軽減した。
• 本モデルは欠損特徴値に対しても頑健であり、一部のデータソースが不完全であっても高い精度を維持した。
• コンテンツベースの特徴はアクセスログよりも分類に寄与したが、意味的特徴が微細なユーザープロファイリングにおいて最も特徴的な識別力を示した。
• 3つのデータソースをすべて組み合わせた場合が、全体として最高のパフォーマンスを示し、情報源の相補性を確認した。