[論文レビュー] On the Importance of News Content Representation in Hybrid Neural Session-based Recommender Systems

Gabriel de Souza Pereira Moreira, Dietmar Jannach+1 more|arXiv (Cornell University)|Jul 12, 2019

Recommender Systems and Techniques参考文献 34被引用数 8

ひとこと要約

本稿は、ハイブリッドニューラルセッションベース推薦システムにおけるニュースコンテンツ表現の影響を調査し、RNNを介してユーザーセッション動態とコンテンツ埋め込みを統合する深層学習フレームワーク（CHAMELEON）を提案する。結果として、特にLSAで符号化された埋め込みを用いることで、コンテンツに依存しないモデルと比較して、MRRが最大12%向上し、HRが7%向上するなど、推薦精度が顕著に向上することが示された。

ABSTRACT

News recommender systems are designed to surface relevant information for online readers by personalizing their user experiences. A particular problem in that context is that online readers are often anonymous, which means that this personalization can only be based on the last few recorded interactions with the user, a setting named session-based recommendation. Another particularity of the news domain is that constantly fresh articles are published, which should be immediately considered for recommendation. To deal with this item cold-start problem, it is important to consider the actual content of items when recommending. Hybrid approaches are therefore often considered as the method of choice in such settings. In this work, we analyze the importance of considering content information in a hybrid neural news recommender system. We contrast content-aware and content-agnostic techniques and also explore the effects of using different content encodings. Experiments on two public datasets confirm the importance of adopting a hybrid approach. Furthermore, we show that the choice of the content encoding can have an impact on the resulting performance.

研究の動機と目的

• ハイブリッドセッションベース推薦システムにニュース記事のコンテンツを組み込む影響を評価すること。
• 異なるコンテンツ符号化手法（非教師あり vs. 教師あり）が推薦性能に与える影響を調査すること。
• ストリーミングニュース推薦における、推薦精度、カバレッジ、ノベルティのトレードオフを評価すること。
• 従来のコンテンツに依存しないベースライン（k-NN や ポピュラリティベース）と、ニューラルネットワークベースのハイブリッドモデルを比較すること。
• コールドスタート状況下での効果的なセッションベースニュース推薦に、高品質なコンテンツ表現が不可欠であるかどうかを特定すること。

提案手法

• ユーザーセッション履歴と記事コンテンツ埋め込み（ACEs）を統合するハイブリッドニューラルアーキテクチャであるCHAMELEONを提案する。
• RNN（GRU/LSTM）を用いたNext-Article Recommendation（NAR）モジュールを採用し、順序付きユーザ行動をモデル化し、次にクリックされる記事を予測する。
• 記事コンテンツ埋め込み（ACEs）を生成するためのArticle Content Representation（ACR）モジュールを採用し、単語埋め込み（例：Word2Vec）を処理し、特徴抽出器（CNN、RNN、またはTF-IDF重み付け）を適用する。
• 非教師あり（LSA、doc2vec、W2V*TF-IDF）および教師あり（CNN、GRU）の複数のコンテンツ符号化戦略を評価し、記事表現を学習する。
• リアルタイムニュース推薦をシミュレートするためのストリーミング評価プロトコルを採用し、新規記事は即座に推薦対象に含める。
• コンテンツ表現の質を向上させるために、ACRモジュールを教師ありで訓練し、記事メタデータ属性の予測を補助タスクとして実施する。

実験結果

リサーチクエスチョン

• RQ1 記事コンテンツ情報の組み込みが、ハイブリッドセッションベースニュース推薦システムの性能に与える影響は何か？
• RQ2 コンテンツ符号化手法の選択（例：LSA、doc2vec、CNN、GRU）が推薦精度に顕著な影響を与えるか？
• RQ3 コンテンツに依存するモデルとコンテンツに依存しないベースライン（例：k-NN、ポピュラリティベース、SR）の間で、精度、カバレッジ、ノベルティの観点からどのように比較されるか？
• RQ4 メタデータの品質と粒度が、教師ありコンテンツ符号化手法の性能にどの程度影響を与えるか？
• RQ5 異なるコンテンツ表現手法を用いる際、推薦精度とカバレッジ／ノベルティのトレードオフはどの程度顕在化するか？

主な発見

• ACEsによるコンテンツ情報の組み込みにより、推薦精度が顕著に向上し、G1データセットではHit Rate（HR@10）が最大7%、MRR@10が最大12%向上した。
• LSAは両データセットで他のすべてのコンテンツ符号化手法を上回り、AdressaデータセットではHR@10（0.6935）とMRR@10（0.3403）の最高値を記録したが、これは非教師あり手法であるにもかかわらずである。
• G1データセットでは、教師ありエンコーダー（CNN、GRU）がLSAに劣っており、これはメタデータの品質と深さが教師あり符号化性能に顕著に影響していることを示唆している。
• Adressaデータセットでは、非教師ありエンコーダー（LSA、W2V*TF-IDF、doc2vec）が教師ありエンコーダーを上回った。これは、カテゴリの粗さ（41対461カテゴリ）がメタデータ品質を制限し、結果として教師あり符号化の性能を制限した可能性がある。
• コンテンツに依存しないベースライン（Item-kNN、SR）は、ハイブリッドRNNベースのCHAMELEONモデルに劣っており、セッション動態とコンテンツを組み合わせることが性能向上に不可欠であることを示している。
• CB（コンテンツベース）手法は、最高のカバレッジ（COV@10）とノベルティ（ESI-R@10）を達成しており、コンテンツのみのモデルが長テールアイテムを好む傾向があることを確認している。一方、ポピュラリティベースの手法（RP）はノベルティが最低であった。