[論文レビュー] Using Temporal Data for Making Recommendations

Andrew Zimdars, David Maxwell Chickering+1 more|arXiv (Cornell University)|Jan 10, 2013

Time Series Analysis and Forecasting参考文献 11被引用数 123

ひとこと要約

本稿では、ユーザーの評価を時系列の観点から逐次予測するunivariate time series問題として協調フィルタリングをモデル化することを提案する。時系列データを標準的な分類および密度推定ツールに適した形に変換することで、実世界のデータセットにおいて推薦精度を顕著に向上させた。これは、ユーザー行動の時系列的ダイナミクスを明示的にモデル化することの価値を示している。

ABSTRACT

We treat collaborative filtering as a univariate time series estimation problem: given a user's previous votes, predict the next vote. We describe two families of methods for transforming data to encode time order in ways amenable to off-the-shelf classification and density estimation tools, and examine the results of using these approaches on several real-world data sets. The improvements in predictive accuracy we realize recommend the use of other predictive algorithms that exploit the temporal order of data.

研究の動機と目的

• ユーザーの評価を時系列としてモデル化することで、推薦精度が向上するかどうかを検討すること。
• 標準的な分類および密度推定アルゴリズムと組み合わせて使用可能な時系列順序を符号化するデータ変換技術を開発すること。
• 実世界の推薦データセットにおける時系列モデリングの有効性を評価すること。
• ユーザーの評価における時系列的順序に、標準的な機械学習ツールが活用可能な予測的信号が含まれていることを示すこと。

提案手法

• 分類および密度推定に適した時系列順序を考慮した特徴ベクトルに、ユーザーの評価シーケンスを変換する。
• 市販の分類および密度推定アルゴリズムを適用し、過去の投票に基づいて次のユーザーの評価を予測する。
• ラグ特徴や時刻に敏感な埋め込みなどの時系列符号化技術を用いて、順序情報の保持を図る。
• 各ユーザーの評価履歴をunivariate time seriesとして扱い、次アイテム予測問題として定式化する。
• 複数の実世界データセットで、RMSE や AUC といった標準的な指標を用いて性能を評価する。
• 時系列に配慮しない標準的な協調フィルタリング手法と比較して、時系列モデリング手法の性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 標準的な協調フィルタリングと比較して、ユーザーの評価を時系列としてモデル化することで推薦精度が向上するか？
• RQ2 標準的な機械学習ツールと組み合わせて使用可能な、ユーザー評価シーケンスにおける時系列順序の効果的な符号化法は何か？
• RQ3 ユーザー行動の時系列的ダイナミクスを明示的にモデル化することで、どの程度の予測的利得が得られるか？
• RQ4 標準的な分類および密度推定ツールは、時系列構造を持つ評価データに適用した場合に、良好な性能を示すか？

主な発見

• 提案手法である時系列モデリングは、複数の実世界データセットにおいて、非時系列ベースラインと比較して顕著に予測精度を向上させた。
• 評価シーケンスを時系列順序特徴に変換することで、市販のアルゴリズムがユーザー行動の時系列的パターンを効果的に学習できるようになった。
• 時系列データ符号化の導入により、RMSE および AUC に測定可能な向上が見られ、時系列順序の予測的価値が裏付けられた。
• 結果から、標準的な協調フィルタリングでは時系列的ダイナミクスが十分に活用されていないことが示され、明示的なモデリングが望ましいことが示唆された。