[論文レビュー] Who are Like-minded: Mining User Interest Similarity in Online Social Networks

Chunfeng Yang, Yipeng Zhou+1 more|arXiv (Cornell University)|Mar 7, 2016

Recommender Systems and Techniques被引用数 4

ひとこと要約

本稿では、動画消費データが入手できない新規または非アクティブユーザーを対象に、人種的・社会的特徴を用いてユーザーの関心の類似度を予測する、タグベースのユーザープロファイリング手法であるPopular Tag Profiling (PTP) と Representative Tag Profiling (RTP) を提案する。従来の動画ベースおよび協調フィルタリング手法を上回る性能を示し、特に非アクティブまたは新規ユーザーにおいても優れた関心類似度予測を実現。新規のハイブリッドツリー符号化線形モデルにより、関心類似度予測の性能が向上し、動画推薦の正確性と多様性が向上する。

ABSTRACT

In this paper, we mine and learn to predict how similar a pair of users' interests towards videos are, based on demographic (age, gender and location) and social (friendship, interaction and group membership) information of these users. We use the video access patterns of active users as ground truth (a form of benchmark). We adopt tag-based user profiling to establish this ground truth, and justify why it is used instead of video-based methods, or many latent topic models such as LDA and Collaborative Filtering approaches. We then show the effectiveness of the different demographic and social features, and their combinations and derivatives, in predicting user interest similarity, based on different machine-learning methods for combining multiple features. We propose a hybrid tree-encoded linear model for combining the features, and show that it out-performs other linear and treebased models. Our methods can be used to predict user interest similarity when the ground-truth is not available, e.g. for new users, or inactive users whose interests may have changed from old access data, and is useful for video recommendation. Our study is based on a rich dataset from Tencent, a popular service provider of social networks, video services, and various other services in China.

研究の動機と目的

• 動画消費データが入手できない（例：新規または非アクティブユーザー）状況において、ユーザーの関心類似度を予測する課題に対処すること。
• 年齢、性別、居住地といった人口統計的特徴および、友人関係、グループ参加、相互作用といった社会的特徴が関心類似度予測にどの程度有効であるかを調査すること。
• 動画ベースおよび潜在トピックモデル（例：LDA）や協調フィルタリングといった従来手法の限界を克服するタグベースのユーザープロファイリング手法の開発と評価。
• 意思決定木と線形回帰を統合したハイブリッド機械学習モデルを設計し、ユーザーの関心類似度予測の精度を向上させること。
• 予測された類似度が実世界の動画推薦システムにおいて実用的であるかを検証すること。

提案手法

• 2つのタグベースのユーザープロファイリング手法を提案：Popular Tag Profiling (PTP) は、タグの頻度に基づいてユーザー間の共通タグ数を数える。Representative Tag Profiling (RTP) は、タグの代表的価値に応じて重みを付ける。
• アクティブユーザーの基準として、テンセントのプラットフォームから得た動画アクセスパターンを用い、編集者によるタグデータをフォルクソノミーに基づく分類システムとして活用。
• 線形モデル、意思決定木ベースのモデル、および新規のハイブリッドツリー符号化線形モデルを用いて、人口統計的および社会的特徴を入力に、関心類似度を予測。
• ハイブリッドモデルは意思決定木と線形回帰を統合し、特徴量の適応的重み付けと多様なユーザープロファイルにわたる一般化性能の向上を実現。
• 異なる特徴組み合わせとモデルの性能を比較するための体系的評価フレームワークを採用。
• 動画推薦パイプラインにおいて本手法を検証し、動画ベースプロファイリング（VBP）などのベースライン手法と比較。

実験結果

リサーチクエスチョン

• RQ1 動画消費データが欠落している状況において、人口統計的および社会的特徴が関心類似度予測にどの程度有効であるか。
• RQ2 PTPとRTPは、動画ベースや潜在トピックモデル手法と比較して、関心類似度予測の精度と多様性においてどの程度優れているか。
• RQ3 ハイブリッドツリー符号化線形モデルは、標準の線形モデルおよび意思決定木ベースのモデルを上回る性能を示すか。
• RQ4 予測された関心類似度は、正確性と多様性の観点から、動画推薦性能をどの程度向上させるか。
• RQ5 ユーザーの現在の関心と過去の行動、または平均ユーザーの関心との類似度は、人口統計的および社会的特徴とどの程度相関しているか。

主な発見

• ハイブリッドツリー符号化線形モデルは、他の線形モデルおよび意思決定木ベースのモデルを著しく上回り、最高のAUCおよびF1スコアを達成した。
• PTPベースのプロファイリングは、AUCが最大0.950に達するなど、RTPよりも高い予測精度を示した。一方、RTPはより多様な推薦を実現し、長尾の関心をよりよく捉えていた。
• 異なるユーザーグループにおいてAUCが0.930～0.942、F1スコアが0.883～0.894の範囲で安定しており、優れた一般化性能を示した。
• 友人関係、グループ参加、相互作用履歴といった社会的特徴は、特に人口統計的属性と組み合わせることで、関心類似度と強く相関していた。
• 過去の行動や平均ユーザーの関心との類似度は、特に消費データが希薄または古くなったユーザーにおいて、予測に有用な指標であった。
• 動画推薦に応用した際、タグベースのモデル（特にRTP）は、動画ベースプロファイリング（VBP）よりも多様な推薦を実現し、ニッチコンテンツの発見性が向上した。