[論文レビュー] UniWalk: Explainable and Accurate Recommendation for Rating and Network Data

Haekyu Park, Hyunsik Jeon+3 more|arXiv (Cornell University)|Oct 18, 2017

Recommender Systems and Techniques参考文献 20被引用数 27

ひとこと要約

UniWalk は、レーティングとソーシャルネットワークデータを統合した単一のグラフに統合し、ランダムウォークとハイブリッド目的関数を活用して、正確で説明可能な推薦のための潜在的特徴を学習する、新しいレコメンデーションシステムである。SOTA の精度（最小の RMSE および MAE）を達成し、類似ユーザーと類似アイテムの両方による二重の説明を提供するとともに、類似性意思決定のためのメタ説明を提供する。

ABSTRACT

How can we leverage social network data and observed ratings to correctly recommend proper items and provide a persuasive explanation for the recommendations? Many online services provide social networks among users, and it is crucial to utilize social information since recommendation by a friend is more likely to grab attention than the one from a random user. Also, explaining why items are recommended is very important in encouraging the users' actions such as actual purchases. Exploiting both ratings and social graph for recommendation, however, is not trivial because of the heterogeneity of the data. In this paper, we propose UniWalk, an explainable and accurate recommender system that exploits both social network and rating data. UniWalk combines both data into a unified graph, learns latent features of users and items, and recommends items to each user through the features. Importantly, it explains why items are recommended together with the recommendation results. Extensive experiments show that UniWalk provides the best explainability and achieves the state-of-the-art-accuracy.

研究の動機と目的

• 異種のレーティングとソーシャルネットワークデータを統合して、推薦精度と説明可能性を向上させる課題に対処すること。
• 既存の手法がソーシャルデータを無視するか、意味のある説明を提供できないという限界を克服すること。
• ユーザーの類似性とアイテムの類似性の両方を用いて、なぜそのアイテムが推薦されたのかを説明することで、説得力のある推薦を可能にすること。
• 類似性の根拠を共有の近傍や埋め込み空間上の特徴の近接性に基づいて説明することで、ユーザーの信頼とシステムの透明性を高めるメタ説明を提供すること。
• 既存の手法と比較して、推薦精度（RMSE、MAE）と説明可能性の両面で最先端の性能を達成すること。

提案手法

• ユーザー、アイテム、レーティング、ソーシャルリンクを統合したユニフィードグラフを構築し、エッジの重みを関連の強さで表す。
• ユニフィードグラフ上でトレuncated ランダムウォークを実行し、定量的（レーティング）および定性的（類似性／非類似性）なリンクをサンプリングする。
• レーティングのための教師あり学習と類似性／非類似性のための教師なし項を組み合わせたハイブリッド目的関数を用いて、ユーザーとアイテムの潜在的特徴を学習する。
• 学習された特徴を用いて、ユーザーのアイテムに対するレーティングを予測し、正確な推薦を可能にする。
• 次を用いて説明を生成する：(1) 推奨されたアイテムを好む類似した嗜好を持つ他のユーザーの特定、および (2) ターゲットユーザーが既に好んでいるアイテムに類似したアイテムの特定。
• 共有の近傍や埋め込み空間上の特徴の近接性に基づいて、ユーザー間やアイテム間の類似性の根拠を説明することで、メタ説明を提供する。

実験結果

リサーチクエスチョン

• RQ1 統合されたグラフ表現は、レーティングとソーシャルネットワークデータを効果的に統合し、推薦精度を向上させることができるか？
• RQ2 レコメンデーションシステムは、正確な予測と人間が理解可能な説明を両方提供できるか？
• RQ3 レーティングを超える定性的な類似性および非類似性リンクを組み込むことで、推薦性能と説明可能性にどのような影響を与えるか？
• RQ4 提案手法は、既存の最先端手法と比較して、精度と説明可能性の両面で優れているか？
• RQ5 レーティング、類似性、ソーシャルリンクの重みといったハイパーパrameter が、モデルの性能とロバストネスにどの程度影響を与えるか？

主な発見

• UniWalk は、比較対象の全手法の中で最小の RMSE および MAE を達成し、レーティング予測における最先端の精度を示している。
• UniWalk は、類似ユーザーに基づく推薦と類似アイテムに基づく推薦という二種類の説明タイプを提供することで、最も優れた説明可能性を実現している。
• 本手法は、特定のユーザーまたはアイテムがなぜ類似するとされるのかを正当化するメタ説明を独自にサポートしており、推薦の説得力を高めている。
• モデルはハイパーパrameter の変更に対して頑健であり、特にソーシャルリンクの重み $ c $ に対してはあまり敏感でないが、教師なし項の重み $ eta $ および $ eta $ に対しては中程度の感受性を示している。
• 実世界のデータセット（例：FilmTrust）を用いた広範な実験により、TrustSVD や UCF、ICF、MF といった既存手法を上回ることを確認した。両方の指標（精度と説明の質）で優れた性能を発揮している。
• トレーニングプロセスは安定した収束を示しており、RMSE および MAE がイテレーションを経て減少し、安定化する傾向にあり、信頼性の高い最適化であることが示された。