[論文レビュー] Latent Collaborative Retrieval

Jason Weston, Chong Wang+2 more|arXiv (Cornell University)|Jun 18, 2012

Recommender Systems and Techniques参考文献 33被引用数 40

ひとこと要約

本稿では、ユーザーのクエリ、ユーザーのプロフィール、アイテム特徴を統合的に活用して検索タスクの順序付けを向上させる因子化モデルであるLatent Collaborative Retrieval (LCR) を提案する。クエリ-ユーザー-アイテムの相互作用テンソルをモデル化することで、LCRは上位順アイテムの推薦を最適化し、実証的ベンチマークにおいてベースラインを上回り、ハイブリッド検索および協調フィルタリングのシナリオで優れた性能を示す。

ABSTRACT

Retrieval tasks typically require a ranking of items given a query. Collaborative filtering tasks, on the other hand, learn to model user's preferences over items. In this paper we study the joint problem of recommending items to a user with respect to a given query, which is a surprisingly common task. This setup differs from the standard collaborative filtering one in that we are given a query x user x item tensor for training instead of the more traditional user x item matrix. Compared to document retrieval we do have a query, but we may or may not have content features (we will consider both cases) and we can also take account of the user's profile. We introduce a factorized model for this new task that optimizes the top-ranked items returned for the given query and user. We report empirical results where it outperforms several baselines.

研究の動機と目的

• クエリ、ユーザーのプロフィール、アイテムの好みを統合的にモデル化することで、既存の検索および協調フィルタリングシステムにおけるギャップを埋める。
• コンテンツベースの検索と協調フィルタリングの両方を1つのテンソルベースのモデルで統一的に扱うフレームワークを構築する。
• 各クエリ-ユーザー対に対して返される上位k個のアイテムの順序付け性能を最適化し、推薦の関連性を向上させる。
• アイテムのコンテンツ特徴が存在する・ない状況の両方をサポートすることで、実世界の応用における柔軟性を高める。
• クエリ、ユーザー、アイテムの間の潜在的相互作用を要因化モデルで捉え、推薦精度を向上させる。

提案手法

• クエリ-ユーザー-アイテムの連携を3次元テンソルとしてモデル化し、各エントリは特定のクエリ下でのユーザーのアイテムに対する好みを表す。
• クエリ-ユーザー-アイテムテンソルに対して低ランク行列因子分解を適用し、クエリ、ユーザー、アイテムの潜在的表現を学習する。
• 各クエリ-ユーザー対に対して関連性の高いアイテムが関連性の低いアイテムよりも上位にランク付けされるよう、マージンに基づく順序付け損失を最適化する。
• ユーザーのプロフィールとアイテムのコンテンツ特徴を潜在空間に統合し、コンテンツが利用可能な場合のハイブリッドモデリングを可能にする。
• トレーニングテンソル上でエンドツーエンドに学習するため、確率的勾配降下法を用いて順序付け誤差を最小化する。
• アイテム特徴埋め込みを要因分解に組み込むか省くことにより、コンテンツフリーとコンテンツ対応の両設定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、クエリベースの検索と協調フィルタリングを1つの統一モデルに効果的に統合できるか？
• RQ2 ユーザーのプロフィールとアイテムのコンテンツを組み込むことで、検索タスクにおける順序付け性能がどの程度向上するか？
• RQ3 クエリ-ユーザー-アイテムテンソルの低ランク因子分解は、従来の協調フィルタリングおよび検索ベースラインを上回るか？
• RQ4 アイテムのコンテンツが存在しない状況（暗黙的フィードバックのみ）において、モデルはどの程度の性能を示すか？
• RQ5 クエリ、ユーザー、アイテムを同時にモデル化することで、上位k個の推薦精度にどのような影響を与えるか？

主な発見

• LCRモデルは、標準的な協調フィルタリングおよび検索ベースラインと比較して、上位k順序付け性能で顕著に優れている。
• アイテムのコンテンツ特徴が欠落している状況でも、モデルは高い性能を発揮しており、欠損データに対して頑健であることが示された。
• ユーザーのプロフィールとアイテムのコンテンツを組み込むことで、特にデータがスパースな状況でさらなる性能向上が達成された。
• マージンに基づく順序付け目的関数は、関連性を最適化するために効果的であり、ポイントワイズ予測手法と比較してより良い順位付け結果をもたらした。
• ベンチマークデータセットにおける実証的結果から、クエリ、ユーザー、アイテムの統合的モデリングが、複数の評価指標において一貫した改善をもたらすことが確認された。
• 要因化されたテンソルモデルは、さまざまなデータスパarsityレベルおよびクエリタイプにわたり、良好な一般化性能を示した。