[論文レビュー] Cross-domain novelty seeking trait mining for sequential recommendation

Fuzhen Zhuang, Yingmin Zhou+4 more|arXiv (Cornell University)|Mar 5, 2018

Recommender Systems and Techniques参考文献 19被引用数 6

ひとこと要約

本稿では、複数のドメイン（例：本、音楽、映画）の順序付き行動データからユーザーの新奇性志向特性を抽出し、順序付きレコメンドの精度を向上させるために、クロスドメイン転移学習モデルであるCDNSTを提案する。新奇性志向特性のパラメータをドメイン間で共有し、時系列に配慮した類似度測定を活用することで、特にソースドメインの行動がターゲットドメインの行動よりも前に行われる状況で顕著な性能向上を達成し、単一ドメインベースラインを上回る精度を示した。

ABSTRACT

Transfer learning has attracted a large amount of interest and research in last decades, and some efforts have been made to build more precise recommendation systems. Most previous transfer recommendation systems assume that the target domain shares the same/similar rating patterns with the auxiliary source domain, which is used to improve the recommendation performance. However, to the best of our knowledge, almost these works do not consider the characteristics of sequential data. In this paper, we study the new cross-domain recommendation scenario for mining novelty-seeking trait. Recent studies in psychology suggest that novelty-seeking trait is highly related to consumer behavior, which has a profound business impact on online recommendation. Previous work performing on only one single target domain may not fully characterize users' novelty-seeking trait well due to the data scarcity and sparsity, leading to the poor recommendation performance. Along this line, we proposed a new cross-domain novelty-seeking trait mining model (CDNST for short) to improve the sequential recommendation performance by transferring the knowledge from auxiliary source domain. We conduct systematic experiments on three domain data sets crawled from Douban (www.douban.com) to demonstrate the effectiveness of the proposed model. Moreover, we analyze how the temporal property of sequential data affects the performance of CDNST, and conduct simulation experiments to validate our analysis.

研究の動機と目的

• 順序付きレコメンドにおけるデータスパarsity問題とコールドスタート問題を、クロスドメイン知識転送を活用することで解決すること。
• 多様なドメインにまたがるユーザーの新奇性志向パーソナリティ特性（多様性や新奇性への好みに関連）をモデル化し、レコメンド精度を向上させること。
• ユーザー行動の順序を尊重する時系列に配慮した転移学習フレームワークを構築すること。
• ソースドメインの行動がターゲットドメインの行動よりも前に行われる状況において、クロスドメイン転移の有効性を検証すること、特に順序付きレコメンドの文脈において。

提案手法

• CDNSTは、ソースドメインとターゲットドメイン間でユーザーの新奇性志向特性を表すパラメータを共有することで、知識転送を可能にする。
• モデルは、ユーザー行動の日時順序に基づいて、ドメインAの行動がドメインBのレコメンドにどのように寄与するかを評価するための時系列に配慮した類似度測定 $ Sim(A \rightarrow B) $ を使用する。
• キーワード間の類似度は、検索エンジンの結果を用いてword2vec埋め込みを計算することで、異なるドメインにおける行動の意味的類似度を測定する。
• 類似度測定 $ Sim(A_u \rightarrow B_u) $ は、時間窓 $ \tau $ 内で時系列的に整合されたキーワードペアの平均コサイン類似度として定義される。
• 全体の転送適合性は、すべてのユーザーにおけるユーザー単位の類似度スコアの平均として計算される。
• パーソナライズド転送は、$ Sim(A_u \rightarrow B_u) > Sim(B_u \rightarrow A_u) $ を満たすユーザーを選択することで実施され、的確な知識転送が可能になる。

実験結果

リサーチクエスチョン

• RQ1 ソースドメインの行動がターゲットドメインの行動よりも前に行われる状況において、新奇性志向特性のクロスドメイン転送が順序付きレコメンドのパフォーマンスを向上させられるか？
• RQ2 複数ドメインにまたがる順序付き行動の時系列的順序が、レコメンドシステムにおける知識転送の有効性にどのように影響するか？
• RQ3 データ駆動型で文脈に配慮した類似度測定 $ Sim(A \rightarrow B) $ は、ドメイン間の適切な転移学習シナリオを効果的に同定できるか？
• RQ4 ユーザー単位の類似度に基づくパーソナライズド転送は、ドメインレベルの転送に比べて、クロスドメインレコメンドでより優れたパフォーマンスを達成できるか？

主な発見

• CDNSTは、特にソースドメインの行動がターゲットドメインの行動よりも前に行われる場合に、単一ドメインベースラインを顕著に上回るレコメンド精度を実現した。
• モデルのパフォーマンスは順序付きデータの時系列的性質に敏感であり、ソースドメインの行動がターゲットドメインの行動よりも前に行われる場合に高い向上が観察された。
• 提案された類似度測定 $ Sim(A \rightarrow B) $ は、有効な $ A \rightarrow B $ 方向において高い値を示し、逆方向よりも有意に高い値を示すことで、設計の妥当性が裏付けられた。
• $ Sim $ 測定に基づくパーソナライズド転送は、ドメインレベルの転送よりも追加のパフォーマンス向上をもたらし、適切な転送ペアの選択の有効性を確認した。
• シミュレーション実験により、行動の時系列的順序がクロスドメイン順序付きレコメンドにおける成功した知識転送の鍵要因であることが確認された。
• Doubanからクロールした3つの実世界ドメイン（本、音楽、映画）において、モデルは多様な順序付きデータに対して一般化性を示し、堅牢性を確認した。