[論文レビュー] CFW: A Collaborative Filtering System Using Posteriors Over Weights Of Evidence

Carl Kadie, Christopher Meek+1 more|arXiv (Cornell University)|Dec 12, 2012

Recommender Systems and Techniques参考文献 7被引用数 4

ひとこと要約

CFW は、証拠の重みに関するベイジアン事後分布を用いて、特にクエリ頻度が低いユーザー向けの推薦精度を向上させる共同フィルタリングアルゴリズムである。スパースデータ環境下でも既存手法を上回り、依存関係ネットワークを補完する形で、確率的証拠重み付けを通じて自然にアイテム類似度をモデル化する。

ABSTRACT

We describe CFW, a computationally efficient algorithm for collaborative filtering that uses posteriors over weights of evidence. In experiments on real data, we show that this method predicts as well or better than other methods in situations where the size of the user query is small. The new approach works particularly well when the user s query CONTAINS low frequency(unpopular) items.The approach complements that OF dependency networks which perform well WHEN the size OF the query IS large.Also IN this paper, we argue that the USE OF posteriors OVER weights OF evidence IS a natural way TO recommend similar items collaborative - filtering task.

研究の動機と目的

• ユーザークエリのサイズが小さい、または低頻度アイテムを含む状況における正確な推薦の課題に対処すること。
• 証拠重みの確率的推論を活用する計算効率の良い共同フィルタリング手法を開発すること。
• 従来の共同フィルタリング手法が性能を発揮できないスパースデータ環境における推薦パフォーマンスの向上。
• 証拠に基づく重み付けを通じて、アイテム類似度を原理的かつ整合的にモデル化するベイジアンフレームワークの提供。
• クエリサイズが限られている状況で特に優れた性能を発揮する依存関係ネットワークなどの既存手法を補完すること。

提案手法

• 本手法は、各ユーザー・アイテム相互作用をアイテム好ましさに関する証拠として扱い、証拠の重みに関する事後分布を用いてユーザーの好みをモデル化する。
• ユーザーの相互作用からの信頼度を反映するように、重みの事後分布をベイジアン更新で計算する。
• スパースな状況でのノイズ低減を図るため、事後分布の積分を用いて期待評価を得る。
• 計算効率を確保するため、共役事前分布を用いて閉形式での更新が可能となる。
• ユーザー間で証拠を集約することで、一貫性があり高信頼度の信号を持つアイテムを自然に特定する。
• スケーラブルかつ効率的であり、限られたユーザーデータを扱うリアルタイム推薦システムに適している。

実験結果

リサーチクエスチョン

• RQ1 ユーザークエリに少ない数や低頻度アイテムが含まれる場合、どのように共同フィルタリングを改善できるか？
• RQ2 証拠重みのベイジアン推論は、スパースデータ環境下でより頑健な推薦を可能にするか？
• RQ3 本手法のパフォーマンスは、実世界のデータにおいて既存の共同フィルタリング手法と比べてどのように異なるか？
• RQ4 本手法は、特にクエリサイズが限られた状況で、依存関係ネットワークとどのように補完し合うか？
• RQ5 証拠重みの事後分布の使用は、推薦におけるアイテム類似度のモデル化に対して原理的かつ効果的なアプローチか？

主な発見

• ユーザークエリサイズが小さい場合、CFW は既存手法と同等またはそれ以上の予測精度を達成する。
• 特に低頻度（人気のない）アイテムに対して優れた性能を発揮し、従来手法がしばしば失敗する分野で顕著な改善を示す。
• ベイジアン事後推定の正則化効果のおかげで、スパースデータ環境下でも頑健である。
• 証拠重みの事後分布の使用は、共同フィルタリングにおけるアイテム類似度のモデル化に自然かつ効果的な方法を提供する。
• 計算効率を維持しながら予測品質を向上させるため、リアルタイムシステムに適している。
• 実データを用いた実証的評価では、ユーザーの相互作用履歴が限られた状況で、CFW がベースライン手法を上回ることが示された。