[論文レビュー] Multi-Domain Collaborative Filtering

Yu Zhang, Bin Cao+1 more|arXiv (Cornell University)|Mar 15, 2012

Recommender Systems and Techniques参考文献 32被引用数 98

ひとこと要約

この論文は、確率的行列分解と適応的ドメイン相関学習を用いて複数のドメイン間で知識を転送することで、推薦精度を向上させる確率的マルチドメイン協調フィルタリング（MCF）フレームワークを提案する。実世界のデータセット上で実験した結果、データスパarsityを低減するためのクロスドメイン知識転送と、学習されたリンク関数によるバイアス補正により、単一ドメインおよびベースラインのマルチタスク手法を著しく上回ることが示された。

ABSTRACT

Collaborative filtering is an effective recommendation approach in which the preference of a user on an item is predicted based on the preferences of other users with similar interests. A big challenge in using collaborative filtering methods is the data sparsity problem which often arises because each user typically only rates very few items and hence the rating matrix is extremely sparse. In this paper, we address this problem by considering multiple collaborative filtering tasks in different domains simultaneously and exploiting the relationships between domains. We refer to it as a multi-domain collaborative filtering (MCF) problem. To solve the MCF problem, we propose a probabilistic framework which uses probabilistic matrix factorization to model the rating problem in each domain and allows the knowledge to be adaptively transferred across different domains by automatically learning the correlation between domains. We also introduce the link function for different domains to correct their biases. Experiments conducted on several real-world applications demonstrate the effectiveness of our methods when compared with some representative methods.

研究の動機と目的

• 複数の関連するドメインを同時に活用することで、協調フィルタリングにおけるデータスパarsity問題に対処すること。
• 異なるユーザ-アイテムレーティングシステム間の相関を学習することで、ドメイン間での有効な知識転送を可能にすること。
• レーティングスケールの間で一致させるために、適応的リンク関数を用いてドメイン固有のバイアスを補正すること。
• ドメイン間で共有されるユーザの好みを活用することで、低データ環境における推薦精度を向上させること。
• 複数の協調フィルタリングタスクを統合的にモデル化する統一された確率的フレームワークを構築すること。

提案手法

• 各ドメインにおけるユーザおよびアイテムの潜在要因をモデル化するために、確率的行列分解（PMF）を用いる。
• モデルがドメイン間の相関を自動で学習できるように、共有事前分布構造を導入する。
• 潜在表現をドメイン間でマッピングするためのリンク関数を採用し、スケールおよびシフトバイアスを補正する。
• 階層ベイズフレームワークを適用し、適応的正則化を伴って複数ドメインにまたがるパラメータを同時に推定する。
• マルチドメイン設定における効率的なパラメータ推定のため、変分推論を用いる。
• 一般化を向上させるために、ドメイン固有の事前分布とクロスドメイン依存関係を組み込む。

実験結果

リサーチクエスチョン

• RQ1 1つのドメインからの知識が、レーティングがスパースな別のドメインにおける推薦パフォーマンスを向上させることができるか？
• RQ2 協調フィルタリングにおける有効な転移学習を可能にするために、ドメイン相関を自動で学習する方法は何か？
• RQ3 ドメインバイアスがクロスドメイン推薦に与える影響は何か？ そして、その影響をどのように補正できるか？
• RQ4 複数ドメインを統合的にモデリングすることは、単一ドメインまたは独立したモデルよりも優れたパフォーマンスをもたらすか？
• RQ5 提案されたMCFフレームワークは、既存のマルチタスクおよび転移学習手法と比較して、どのように異なるか？

主な発見

• 提案されたMCFフレームワークは、実世界のデータセットにおいて、RMSEおよびMAEの観点で単一ドメイン協調フィルタリング手法を著しく上回った。
• ドメイン相関とバイアスを明示的にモデル化することで、ベースラインのマルチタスク学習アプローチよりも優れたパフォーマンスを達成した。
• リンク関数の導入により、クロスドメイン推薦精度に顕著な向上が見られた。
• 従来の協調フィルタリングが失敗するスパースデータセットに対しても、フレームワークは頑健であることが示された。
• ドメイン相関の自動学習により、ドメインの手動アライメントを必要とせずに、効果的な転移が可能となった。
• 実験結果から、MCFモデルが、テストされたデータセットにおいて、最先端のベースライン比で予測誤差を最大15％まで低減することが示された。