[論文レビュー] An Explainable Autoencoder For Collaborative Filtering Recommendation

Pegah Sagheb Haghighi, Olurotimi Seton+1 more|arXiv (Cornell University)|Dec 23, 2019

Recommender Systems and Techniques参考文献 18被引用数 7

ひとこと要約

この論文は、近傍に基づく説明可能性スコアをサイド情報として統合することで、推薦の説明可能性を向上させつつ予測精度を維持する、説明可能なオートエンコーダー（E-AutoRec）を提案する。この手法は、精度を犠牲にすることなく説明可能性を向上させ、複数の指標においてベースラインのオートエンコーダーを上回る。

ABSTRACT

Autoencoders are a common building block of Deep Learning architectures, where they are mainly used for representation learning. They have also been successfully used in Collaborative Filtering (CF) recommender systems to predict missing ratings. Unfortunately, like all black box machine learning models, they are unable to explain their outputs. Hence, while predictions from an Autoencoder-based recommender system might be accurate, it might not be clear to the user why a recommendation was generated. In this work, we design an explainable recommendation system using an Autoencoder model whose predictions can be explained using the neighborhood based explanation style. Our preliminary work can be considered to be the first step towards an explainable deep learning architecture based on Autoencoders.

研究の動機と目的

• 深層学習ベースの協調フィルタリングモデル、特に通常ブラックボックスとされるオートエンコーダーにおける説明可能性の欠如に対処すること。
• 外部のコンテンツデータに依存せずに、その予測に対して解釈可能な根拠を提供する推薦システムを開発すること。
• ユーザーの近傍から得られる説明可能性スコアをオートエンコーダーのアーキテクチャにサイド情報として統合すること。
• トップ-n推薦の説明可能性を著しく向上させつつ、高い予測精度を維持すること。
• オートエンコーダーに基づく推薦システムにおいて、説明可能性を向上させてもモデルのパフォーマンスが低下しないことを示すこと。

提案手法

• モデルは標準的なオートエンコーダーのアーキテクチャ（エンコーダーとデコーダーを備える）を採用し、入力層にはユーザーのレーティングベクトルに加えて、事前に計算された説明可能性スコアをサイド情報として含める。
• 説明可能性スコアは、近傍に基づくアプローチを用いて生成され、各ユーザーの説明可能性ベクトルは、最も類似したユーザーのレーティングに基づいて計算される。
• 説明可能性行列 E は、各ユーザーの上位-k 個の類似ユーザーを用いて構築され、スコアは近傍内のアイテムレーティングの頻度を反映する。
• オートエンコーダーは、予測値と実際のレーティングの差を最小化する再構成損失関数を用いて訓練され、説明可能性スコアが入力層に統合されて学習をガイドする。
• エンコーディングにはシグモイド活性化関数、デコーディングには恒等関数を用い、エンコーダーとデコーダーの層間に重みを共有する。
• 説明可能性のしきい値 θ は、説明可能なアイテムのスパarsityを制御し、値が高くなるほど推薦リスト内の説明可能なアイテム数が減少する。

実験結果

リサーチクエスチョン

• RQ1 コンテンツベースの特徴に依存せずに、オートエンコーダーに基づく協調フィルタリングモデルを説明可能にすることができるか？
• RQ2 近傍に基づく説明可能性スコアを統合すると、推薦の精度と説明可能性にどのような影響を与えるか？
• RQ3 深層学習ベースの推薦システムにおいて、説明可能性と予測精度の間にトレードオフが生じるか？
• RQ4 オートエンコーダーに基づくシステムにおいて、モデルのパフォーマンスを損なわずに説明可能性を向上させることができるか？
• RQ5 近傍サイズや説明可能性しきい値などのハイパーパrameterが、精度と説明可能性のバランスに与える影響は何か？

主な発見

• E-AutoRecは、全テストパラメータ設定においてベースラインのAutoRecと同等またはより良いRMSE性能を達成しており、予測精度に損なわれないことが示された。
• 平均説明精度（MEP）指標は、E-AutoRecがAutoRecを常に上回っており、特に大きなトップ-n推薦リストにおいて顕著である。
• 近傍サイズ（|Nu|）を増加させると、MEPが向上するが、MAPはわずかに徐々に低下するため、説明可能性と精度の間で有利なトレードオフが得られる。
• 説明可能性しきい値 θ は説明可能なアイテムの数を減少させ、両モデルのMEPに低下をもたらすが、E-AutoRecは全しきい値レベルでより高い説明可能性を維持する。
• トップ-20の推薦において、両モデルはMAPで良好な性能を示すが、E-AutoRecはそれ以上に高いMEPを維持しており、長尾部の説明可能性が向上していることが示された。
• 説明可能性スコアをサイド情報として統合することで、精度と説明可能性の両方が向上し、説明可能性が学習プロセスに埋め込まれてもパフォーマンスが低下しないことが実証された。