[論文レビュー] Clustering-Based Matrix Factorization

Nima Mirbakhsh, Charles X. Ling|arXiv (Cornell University)|Jan 28, 2013

Recommender Systems and Techniques参考文献 13被引用数 5

ひとこと要約

本稿では、ユーザーおよびアイテムのクラスタリングを通じて一般化された近隣情報を取り入れることで推薦精度を向上させる、クラスタリングに基づく行列分解手法を提案する。共有された好みを偏りのある行列分解モデルに統合することにより、Movielens100kおよびNetflixデータセットにおいて、従来の近隣情報に配慮したモデルと比較して、より少ない近隣数で優れたもしくは同等の性能を達成する。

ABSTRACT

Recommender systems are emerging technologies that nowadays can be found in many applications such as Amazon, Netflix, and so on. These systems help users to find relevant information, recommendations, and their preferred items. Slightly improvement of the accuracy of these recommenders can highly affect the quality of recommendations. Matrix Factorization is a popular method in Recommendation Systems showing promising results in accuracy and complexity. In this paper we propose an extension of matrix factorization which adds general neighborhood information on the recommendation model. Users and items are clustered into different categories to see how these categories share preferences. We then employ these shared interests of categories in a fusion by Biased Matrix Factorization to achieve more accurate recommendations. This is a complement for the current neighborhood aware matrix factorization models which rely on using direct neighborhood information of users and items. The proposed model is tested on two well-known recommendation system datasets: Movielens100k and Netflix. Our experiment shows applying the general latent features of categories into factorized recommender models improves the accuracy of recommendations. The current neighborhood-aware models need a great number of neighbors to acheive good accuracies. To the best of our knowledge, the proposed model is better than or comparable with the current neighborhood-aware models when they consider fewer number of neighbors.

研究の動機と目的

• 一般化された近隣情報の統合により、行列分解に基づく推薦システムにおける推薦精度を向上させること。
• クラスタリングによる潜在的好みの抽出により、近隣情報に依存するモデルの大きな近隣集合への依存度を低減すること。
• クラスタレベルの潜在的特徴を偏りのある行列分解に統合することで、より強固な推薦を実現すること。
• 提案モデルを実世界のデータセットで評価し、最先端の近隣情報に配慮した手法と性能を比較すること。

提案手法

• ユーザーおよびアイテムをカテゴリにクラスタリングし、グループ間での共有された好みのパターンを特定する。
• クラスタレベルの好みを表す潜在的特徴を抽出し、偏りのある行列分解フレームワークに統合する。
• 直接のユーザー・アイテム近隣関係に依存するのではなく、一般化された近隣情報を利用する。
• 偏りのある行列分解を拡張し、クラスタベースの潜在的特徴を組み込むことで、予測精度を向上させる。
• Movielens100kおよびNetflixデータセットを用いて、標準的な推薦指標を用いてモデルを学習および評価する。

実験結果

リサーチクエスチョン

• RQ1 クラスタリングを通じて一般化された近隣情報を統合することで、行列分解モデルにおける推薦精度を向上させることができるか？
• RQ2 提案モデルは、従来の近隣情報に配慮したモデルと比較して、より少ない数の近隣でどのように性能を発揮するか？
• RQ3 クラスタレベルの潜在的特徴は、偏りのある行列分解の予測性能をどの程度向上させるか？

主な発見

• 提案モデルは、従来の最先端の近隣情報に配慮したモデルと比較して、より少ない近隣数で高いもしくは同等の推薦精度を達成する。
• クラスタレベルの共有された好みを統合することで、推薦モデルのロバスト性と一般化性能が向上する。
• 本手法により、現在の近隣情報に配慮したアプローチにおける大きな近隣集合への依存度が低減される。
• Movielens100kおよびNetflixにおける実験的評価により、クラスタからの一般化された潜在的特徴を行列分解に統合することが有効であることが確認された。