[論文レビュー] Using Contextual Information as Virtual Items on Top-N Recommender Systems

Marcos Aurélio Domingues, Alí­pio Jorge+1 more|arXiv (Cornell University)|Jan 1, 2009

Recommender Systems and Techniques参考文献 14被引用数 16

ひとこと要約

本論文では、時間、場所、音楽ジャンルなどの文脈的属性を、既存の協調フィルタリングおよび関連ルールアルゴリズムに統合可能な仮想アイテムとして扱うことで、Top-Nレコメンデーションシステムの性能を向上させる手法であるDaVI（Dimensions as Virtual Items）を提案する。文脈的データをコアアルゴリズムを変更せずに直接レコメンデーションモデルに統合することにより、特にバンドやジャンルなどの豊富な文脈的次元が利用可能な場合、予測精度が向上し、従来のユーザ-アイテムモデルに比べ最大34%のF1スコア向上を達成する。

ABSTRACT

Traditionally, recommender systems for the Web deal with applications that have two dimensions, users and items. Based on access logs that relate these dimensions, a recommendation model can be built and used to identify a set of N items that will be of interest to a certain user. In this paper we propose a method to complement the information in the access logs with contextual information without changing the recommendation algorithm. The method consists in representing context as virtual items. We empirically test this method with two top-N recommender systems, an item-based collaborative filtering technique and association rules, on three data sets. The results show that our method is able to take advantage of the context (new dimensions) when it is informative.

研究の動機と目的

• 既存のレコメンデーションアルゴリズムを変更せずに、文脈的情報を統合することでTop-Nレコメンデーションシステムの精度を向上させること。
• 時間、場所、音楽ジャンルなどの文脈的次元がレコメンデーション性能の向上に効果的に利用可能かどうかを調査すること。
• アイテムベースの協調フィルタリングおよび関連ルールベースのレコメンデーションシステムにおいて、文脈を仮想アイテムとして表現する有効性を評価すること。
• 複数次元の文脈状況において、DaVIを既存の文脈的レコメンデーションアプローチ（例：Combined Reduction）と比較すること。

提案手法

• 各文脈的属性（例：時刻、曜日、ジャンル）をユーザ-アイテムインタラクション行列内の仮想アイテムとして表現する。
• 既存のアルゴリズムの構造を保ちながら、文脈的次元を追加のアイテムとして統合することで、レコメンデーションモデルに文脈的データを統合する。
• DaVI手法を2つのレコメンデーション技術に適用する：アイテムベースの協調フィルタリング（コサイン類似度を使用）および関連ルールマイニング（最小サポートと信頼度の閾値を設定）。
• 最適な文脈的次元の組み合わせを特定するために、フォワード選択およびフルコンビネーション戦略を用いる。
• ベースラインモデル（ユーザ-アイテムのみ）および文脈でセッションをセグメント化した修正版Combined Reductionアプローチと比較する。
• 3つの実世界のデータセット（Listener、Playlist、Entree Chicagoレストランデータ）を用いて、F1測定値で性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 文脈的属性を仮想アイテムとして扱うことで、Top-Nレコメンデーションシステムの予測精度を向上させることができるか？
• RQ2 ログからの推定やCMSからの抽出といった異なる方法で得られる文脈的次元（例：時間、場所）の種類によって、DaVIの性能はどのように変化するか？
• RQ3 DaVIを用いて複数の文脈的次元を組み合わせることで、個々の次元やベースラインモデルを上回る性能が得られるか？
• RQ4 F1スコアおよびスケーラビリティの観点から、Combined Reductionアプローチと比較してDaVIはどのように異なるか？
• RQ5 どの文脈的次元がレコメンデーション精度の向上に最も寄与し、どのような条件下でその効果が顕著に現れるか？

主な発見

• Listenerデータセットでは、アイテムベースの協調フィルタリングを用いて『バンド』次元を活用した場合、F1スコアが最大34%向上した。
• Playlistデータセットでは、『バンド』次元を用いることで24%のF1スコア向上を達成し、豊富な文脈的情報が利用可能な状況で優れた性能を示した。
• Entreeデータセットでは『意図』次元を用いた場合、F1スコアはわずか5%の向上にとどまり、情報が乏しい文脈では改善効果も小さいことが示された。
• 関連ルールベースのモデルは、EntreeデータセットにおいてアイテムベースのCFを上回り、『意図』次元を用いることで最大F1スコア0.341を達成した。
• フォワード選択およびすべての次元を組み合わせたDaVIは、競争力のある性能を示し、最良の個別次元アプローチと同等またはそれを上回る結果を多く得た。
• 一部のケースでは、Combined ReductionベースラインがDaVIを上回った（特に関連ルールの場合）、これはモデルの複雑さと文脈統合のトレードオフを示唆している。