[論文レビュー] Decentralized Recommender Systems

Wang, Zhangyang, Xianming Liu+4 more|arXiv (Cornell University)|Mar 5, 2015

Recommender Systems and Techniques参考文献 10被引用数 5

ひとこと要約

本稿では、協調フィルタリングを分散型行列補完問題として定式化することで、完全に分散型のデータ保存および計算を可能にする分散型レコメンデーションシステムを提案する。ユーザーが局所的な隣人との間でのみユーザープロファイル要因を交換し、アイテムプロファイルを非公開に保つことで、中央集権的な統合やコンテンツ特徴量を用いずに、競争力のある性能（mAPS = 53.46）を達成し、プライバシー、スケーラビリティ、耐障害性を向上させる。

ABSTRACT

This paper proposes a decentralized recommender system by formulating the popular collaborative filleting (CF) model into a decentralized matrix completion form over a set of users. In such a way, data storages and computations are fully distributed. Each user could exchange limited information with its local neighborhood, and thus it avoids the centralized fusion. Advantages of the proposed system include a protection on user privacy, as well as better scalability and robustness. We compare our proposed algorithm with several state-of-the-art algorithms on the FlickerUserFavor dataset, and demonstrate that the decentralized algorithm can gain a competitive performance to others.

研究の動機と目的

• 中央集権的なデータ統合やクラウドサーバーに依存しない分散型レコメンデーションシステムの設計。
• アイテムプロファイルやレーティングをユーザー間で分散させることで、ユーザーのプライバシーを保護すること。
• 局所的なネットワークへの通信制限により、大規模なモバイルネットワークにおけるスケーラビリティと耐障害性を向上させること。
• コンテンツ特徴量を用いない状態で、最新の中央集権的手法と同等の性能を達成すること。

提案手法

• ユーザー局所データパーティション上で交互最小化を用いて、協調フィルタリングを分散型行列補完問題として定式化する。
• 各ユーザーは、自身の部分的レーティングデータに対応する局所的推定値（U_i）、アイテムプロファイル（V_i）、補助行列（Z_i）を維持する。
• 局所的合意形成を伴う非線形ガウス＝ザイデル反復の変種を用いる：ユーザーはまずV_iとZ_iを局所的に更新し、その後U_iを隣人へ伝搬してから、平均合意によるU_iの更新を行う。
• ステップサイズβと近隣平均化を用いて、局所データおよび1ホップ内の隣人からの情報を統合してU_iを更新する：U_i = (Z_i V_i^T - a_i + β Σ_{j∈N_i} U_j) / (1 + 2β|N_i|)。
• Z_iの更新時に観測済みレーティングとの整合性を保つために、射影演算子P_Ωを用いる：Z_i = U_i V_i + P_Ω(R_i - U_i V_i)。
• グローバルな調整なしに、ユーザー間での反復的同期によって、共同解へ収束する。

実験結果

リサーチクエスチョン

• RQ1 中央集権的な統合ポイントや共有データストレージが存在しない状況でも、協調フィルタリングを効果的に分散化できるか？
• RQ2 アイテムプロファイルやレーティングをローカルに保つことで、協調フィルタリングにおけるユーザーのプライバシーをどのように保護できるか？
• RQ3 中央集権的最新手法と比較して、分散型行列補完アルゴリズムが達成できる性能はどの程度か？
• RQ4 コンテンツ特徴量が欠如している状況では、分散環境下での推薦精度にどのような影響が生じるか？

主な発見

• 提案された分散型行列補完（DMC）アルゴリズムは、FlickrUserFavorデータセットでmAPS = 53.46を達成し、PMF（61.99）を上回り、CTR（52.76）に近い性能を示した。
• コンテンツ情報を利用していないにもかかわらず、競争力のある性能を達成しており、特徴量統合によるさらなる向上の可能性を示している。
• 分散アプローチにより、アイテムプロファイルやレーティングが分散され、中央サーバーに共有されないため、ユーザーのデータプライバシーが確保される。
• 局所的通信と計算により、単一障害点が存在しないため、スケーラビリティと耐障害性に優れた性能を発揮する。
• 再構築誤差が中央集権的手法と同等の解に収束するため、アルゴリズムの有効性が裏付けられた。