[論文レビュー] Fusing Similarity Models with Markov Chains for Sparse Sequential Recommendation

Ruining He, Julian McAuley|arXiv (Cornell University)|Sep 28, 2016

Recommender Systems and Techniques参考文献 17被引用数 95

ひとこと要約

本稿では、Fossilを提案する。Fossilは、アイテム類似度モデルと1次マルコフ連鎖を融合させることで、スパースなデータセットにおけるパーソナライズドな順序推薦を向上させる手法である。長期的嗜好と短期的順序的ダイナミクスの間でユーザー固有の重みを学習することにより、Fossilは、特にデータスパarsity下でも最先端の手法を上回る性能を発揮し、意味のあるパーソナライズドかつ順序的なパターンを捉えることができる。

ABSTRACT

Predicting personalized sequential behavior is a key task for recommender systems. In order to predict user actions such as the next product to purchase, movie to watch, or place to visit, it is essential to take into account both long-term user preferences and sequential patterns (i.e., short-term dynamics). Matrix Factorization and Markov Chain methods have emerged as two separate but powerful paradigms for modeling the two respectively. Combining these ideas has led to unified methods that accommodate long- and short-term dynamics simultaneously by modeling pairwise user-item and item-item interactions. In spite of the success of such methods for tackling dense data, they are challenged by sparsity issues, which are prevalent in real-world datasets. In recent years, similarity-based methods have been proposed for (sequentially-unaware) item recommendation with promising results on sparse datasets. In this paper, we propose to fuse such methods with Markov Chains to make personalized sequential recommendations. We evaluate our method, Fossil, on a variety of large, real-world datasets. We show quantitatively that Fossil outperforms alternative algorithms, especially on sparse datasets, and qualitatively that it captures personalized dynamics and is able to make meaningful recommendations.

研究の動機と目的

• 従来のモデルが限られたユーザー相互作用データのため失敗するという、スパースな順序推薦の課題に対処すること。
• 長期的ユーザー嗜好（アイテム類似度によってモデル化）と短期的順序的ダイナミクス（マルコフ連鎖によってモデル化）を統合的なフレームワークで統合すること。
• 冷たいユーザーに対するグローバルな順序的パターンの活用により、スパースなデータセットにおける性能を向上させること。
• ユーザーの履歴長さに応じて、長期的嗜好と短期的遷移のバランスを適応的に調整するパーソナライズドな推薦を可能にすること。

提案手法

• Fossilは、類似度に基づくアプローチを用いてユーザーの嗜好をモデル化し、各ユーザーは自身が相互作用したアイテムによって表現され、推薦はアイテム同士の類似度に基づく。
• 短時間のダイナミクスを遷移確率によって捉えるために、1次マルコフ連鎖を組み込む。
• 各ユーザーuに対して、長期的嗜好（類似度による）と短期的遷移（マルコフ連鎖による）の寄与をバランスさせるパーソナライズドな重みベクトルη^uを学習する。
• ユーザーuに対してアイテムjの最終的な推薦スコアは、類似度ベースのスコアとマルコフ遷移スコアの重み付き和として計算され、重みはユーザーごとに学習される。
• 観測されたユーザー・アイテム相互作用の予測損失を最適化するために、確率的勾配降下法を用いてエンドツーエンドでモデルを訓練する。
• 遷移の尤度を計算するために、アイテム表現ベクトルP_iとQ_jの内積を用いることで、効率的な推論を可能にする。

実験結果

リサーチクエスチョン

• RQ1 類似度ベースのモデルとマルコフ連鎖を効果的に統合することで、スパースなデータセットにおける順序推薦をどのように改善できるか？
• RQ2 提案された統合手法は、実世界のスパースな順序推薦ベンチマークにおいて、既存の最先端手法をどの程度上回るか？
• RQ3 本モデルは、相互作用履歴の長さが異なるユーザー、特に少ない行動しかとらない冷たいユーザーに対してどのように適応するか？
• RQ4 学習されたモデルが捉える順序的およびパーソナライズドなダイナミクスの種類は何か？それらは意味的に意味のあるものであるか？

主な発見

• Fossilは、FPMC や FISM などの複数の最先端手法を上回り、特にスパースなデータセットにおいて優れた耐性を示している。
• 本モデルは、500万件以上のユーザー行動を含むアマゾンの衣料品・靴・アクセサリーなど、大規模な実世界データセットにおいて顕著な性能向上を達成している。
• 可視化により、Fossilは意味的に整合性のある遷移、例えば時計とシャツ、または帽子とアクセサリーの組み合わせを推奨するなど、意味のある順序的ダイナミクスを学習していることが示された。
• 学習されたユーザー固有の重みη^u_0は、行動が少ないユーザーに対して順序的ダイナミクスの重要性を高く設定していることを示しており、スパarsity下での適応的動作を確認している。
• 行動履歴が長いユーザーに対しては、モデルは長期的嗜好に徐々に依存するようになることが確認され、データが蓄積されるに従い正確なパーソナライズドな推奨が実現されている。
• 定性的な分析により、Fossilはユーザー行動における「順序的一致性」を捉えていることが確認された。例えば、男の子用ウェアやビジネススタイルの衣料品を連続して推奨するなど、関連するアイテムを順に提示している。