[論文レビュー] Collaborative Filtering with Social Exposure: A Modular Approach to Social Recommendation

Menghan Wang, Xiaolin Zheng+2 more|arXiv (Cornell University)|Nov 30, 2017

Recommender Systems and Techniques被引用数 27

ひとこと要約

本稿では、共通の好みを仮定するのではなく、ソーシャルネットワークを通じたアイテムへのユーザーの露出をモデル化する、新しいモジュラーなアプローチ、SERecを提案する。社会的正則化と社会的ブースティングを用いて露出を推定することで、協調フィルタリングの性能が向上し、4つの実世界データセットにおいて最先端の手法を上回る性能を示すとともに、さまざまな設定においてより優れた耐性とスケーラビリティを実現する。

ABSTRACT

This paper is concerned with how to make efficient use of social information to improve recommendations. Most existing social recommender systems assume people share similar preferences with their social friends. Which, however, may not hold true due to various motivations of making online friends and dynamics of online social networks. Inspired by recent causal process based recommendations that first model user exposures towards items and then use these exposures to guide rating prediction, we utilize social information to capture user exposures rather than user preferences. We assume that people get information of products from their online friends and they do not have to share similar preferences, which is less restrictive and seems closer to reality. Under this new assumption, in this paper, we present a novel recommendation approach (named SERec) to integrate social exposure into collaborative filtering. We propose two methods to implement SERec, namely social regularization and social boosting, each with different ways to construct social exposures. Experiments on four real-world datasets demonstrate that our methods outperform the state-of-the-art methods on top-N recommendations. Further study compares the robustness and scalability of the two proposed methods.

研究の動機と目的

• オンラインフレンドシップの背後にある多様な動機により、社会的友人同士が類似した好みを持つと仮定する既存のソーシャルレコメンデーションシステムの限界を是正する。
• ユーザーのアイテムへの露出を、ソーシャルネットワークの影響を受ける別段階としてモデル化し、露出と好みのモデル化を分離することで、より現実的なレコメンデーションを実現する。
• レーティングモデルに制約を課すことなく、協調フィルタリングに社会的露出を統合するモジュラーなフレームワークを開発する。
• 社会的正則化と社会的ブースティングの2つの実装の有効性、耐性、スケーラビリティを評価する。
• 好みの類似性ではなく、社会的露出が、レコメンデーション精度を向上させるより信頼性の高いシグナルであることを実証する。

提案手法

• SERecは、ソーシャルネットワーク情報を用いてユーザーのアイテムへの露出をモデル化し、好みではなく、社会的影響を露出の駆動要因とみなす。
• 社会的正則化は、ユーザーとその友人の間の露出類似性を制約する行列分解に社会的正則化子を適用する。
• 社会的ブースティングは、社会的リンクに基づいて露出を計算する一般関数を採用し、高度なソーシャルネットワーク解析手法の柔軟な統合を可能にする。
• 露出モデル化とレーティング予測を分離することで、モジュラー設計と独立した最適化を実現する。
• 露出推定値を用いて協調フィルタリングをガイドし、コールドスタートおよびスパースユーザーのレーティング予測を向上させる。
• 両手法とも、EMに類似した反復的手順で学習され、スケーラビリティを高めるために並列処理をサポートする。

実験結果

リサーチクエスチョン

• RQ1 好みの類似性ではなく、社会的露出をモデル化することで、より優れたレコメンデーション性能が得られるか？
• RQ2 社会的正則化と社会的ブースティングの2つの実装は、精度、耐性、スケーラビリティの観点でどのように比較されるか？
• RQ3 ソーシャル情報がユーザーの露出にどの程度影響を与えるか、そしてそれがレーティング予測にどのように影響するか？
• RQ4 露出モデル化とレーティング予測を分離するモジュラーなアプローチは、より優れた性能と柔軟性を達成できるか？
• RQ5 本フレームワークは、スパarsityやソーシャルネットワーク構造が異なる多様な実世界データセットにおいて、どのように性能を発揮するか？

主な発見

• SERecは、Last.fm、Delicious、Douban、Epinionsの4つのベンチマークデータセットすべてにおいて、最先端のソーシャルレコメンデーション手法を上回る性能を示した。
• SERecの社会的ブースティングバージョンは、ソーシャルネットワークのサイズや構造の変動に対してより高い耐性を示し、データセット間で一貫した性能を発揮した。
• SERec regularは計算効率が高く、メモリオーバーヘッドが低く、テストされたデータセットでは学習時間が66～2,339秒であった。
• SERec boostは、すべてのユーザー・アイテムペアの露出推定値を格納する必要があるため、空間計算量が高くなるが、複雑な社会的影響モデルへの容易な拡張が可能である。
• 実証的結果から、ソーシャル情報がユーザーの露出に顕著に影響を与えることが確認され、露出ベースのモデル化アプローチの核心的仮定が妥当であることが裏付けられた。
• モジュラー設計により、社会的伝染や構造的影響といった高度なソーシャルネットワーク解析技術をレコメンデーションパイプラインにより効果的に統合できるようになった。