takapy0210
commented
4 years ago ABSTRACT
- 推薦システムに必要なこととして、「変わった嗜好をもつユーザーをモデル化すること」と「説明可能なレコメンデーションを提供すること」があげられる
- 本論文では、この2つの問題に対する統一的な解決策として、ニューラルAttentive Multi-Persona Collaborative Filtering (AMP-CF)モデルを提案する
- 本研究では、映画、音楽、ビデオゲーム、ソーシャルネットワークの5つの共同フィルタリングデータセットを用いて、AMP-CFを実証しています。さらに、ユーザーの過去の嗜好分布からの距離に基づいて、推薦リスト内の異なるアイテムを比較する新しい評価スキームを提案する。実験の結果、AMP-CFは他の最新のモデルと比較して優位性があることが示された。最後に、AMP-CFの推薦を説明する能力を示す定性的な結果を提供する。
INTRODUCTION
- コラボレーティブ・フィルタリング（CF）手法は、ユーザーとアイテムの相互作用に基づいてユーザーの嗜好や嗜好をモデル化します。多くの場合，ユーザは，ユーザの異なる興味をすべてコード化した単一の潜在ベクトルで表現されます．例えば、ユーザーがホラー映画とコメディの両方が好きだとすると、潜在的なユーザー表現は、両方のジャンルの映画に対するポジティブな傾向を表すべきである。予測時には、コメディとホラー映画の両方が高得点を獲得するが、各ジャンルの項目を区別したり、各項目を推薦する理由を説明したりすることは容易ではない。また、場合によっては、より支配的なジャンルが推薦リスト全体を追い越すこともある。これを緩和するために，元の CF モデルの上に追加の多様性強化メカニズムを追加して，両方のタイプの映画が推薦リスト内で適切に表現されるようにすることがよくある．
- 上記の例では、既知の映画ジャンル（コメディとホラー）を使用して、ユーザーの好みの 2 つのグループまたは「ペルソナ」を示しています。一般的なケースでは、ユーザーは複数の潜在的なペルソナを持つことができますが、それらは常に異なるジャンルとしてラベル付けされるとは限りません。しかし、ユーザーの興味は一枚岩ではなく、それぞれが異なる嗜好に対応する複数の異なるペルソナによって表現されるべきであると仮定している。この概念は、精度と多様性のトレードオフとして知られるレコメンデーションの文献でよく知られているジレンマ[32]に多少関連している。しかし、「多様性」とは、レコメンデーションリストの項目が互いに異なる（多様化している）ことを意味する。一方，本研究では，ユーザの異なる嗜好や嗜好を識別し，識別したいと考えている．本研究では、ユーザごとの嗜好の正しい分布と、異なる項目を考慮したときのペルソナごとの貢献度や重要度を学習することを目的としている。そして、ユーザーのための推薦リストを生成する際に、それぞれの推薦は、それを最もよく説明するユーザーのペルソナに関連付けられる。
- 我々は、Attentive Multi-Persona Collaborative Filtering（AMPCF）を提示する。AMP-CFは説明可能な推薦システムであり、ユーザの異なる傾向を識別して捕らえ、最終的な推薦リストで各推薦を説明するペルソナの気配りのある混合物を介してユーザをモデル化する。新しい注意メカニズムを用いて、異なるユーザペルソナは動的に重み付けされ、候補項目（検討中の項目）に依存する単一の注意深いユーザ表現を生成するために結合される。特定の項目を検討する際には、あるユーザーペルソナはその項目に無関心であるかもしれませんが、他のペルソナはより明確な正の親和性や負の親和性を持っているかもしれません。AMPCFの注意メカニズムは、特定の項目に関連して各ペルソナの「重要度」を決定し、それに応じて注意深いユーザー表現が動的に更新されます。このように、AMP-CFモデルは、ある種の文脈に沿ったユーザー表現を容易にします。ユーザーペルソナは予測時には静的ですが、結果として得られるユーザー表現は、検討中の項目に基づいて動的に変化します。このアプローチは、人間が実際にアイテムを評価する方法をより良くエミュレートしていると考えられます。さらに、支配的な特性は、私たちの最終的な選択を最もよく説明するものです。
- 伝統的な」単一ペルソナのユーザー表現は、直交する潜在次元を使用することで複数の嗜好をエンコードする能力を持っていることは事実である。しかし、異なる嗜好を区別して識別する簡単な方法はない。本研究では、従来のユーザ表現を複数の潜在ペルソナに分離し、それぞれが異なる嗜好を表現している。追加の貢献として、味の分布距離(TDD)と呼ばれる新しい評価手法を導入する。TDDは、推薦リストの中の「嗜好」の分布を、過去のアイテムに基づいたユーザーの興味の分布と比較するものである。重要なのは、TDDは多様性とは異なる点です。多様性が推奨項目が互いにどれだけ異なるかに関係しているのに対し、TDDはユーザーの興味の全範囲に比例して一致する推奨リストの能力を測定します。
- 映画、音楽、ビデオゲーム、ソーシャルネットワークの5つのCFデータセットにおいて、AMP-CFの有効性を示す広範な実験結果を紹介します。AMP-CFは、精度とTDDの両面で最先端のモデルを凌駕することを示しています。最後に、最も関連性の高いペルソナに基づいて各推奨項目を説明するAMP-CFの能力を示す定性的な結果を提供します。
CONCLUSION
本論文では、各ユーザをペルソナの混合気配りモデルとして表現するニューラル気配りモデルであるAMP-CFを紹介する。AMP-CFは、ユーザーの関心を別々のペルソナに識別し、各ペルソナの重要度を検討項目と関連させて決定する新しい注意メカニズムを促進する。そして、AMP-CFは、特定のアイテムを検討する際のユーザーの傾向を表す注意深いユーザーアイテム表現を動的に生成します。学習したペルソナは、ユーザの最終的な推薦リストに表示される項目の説明源となる。さらに、ユーザーの味覚分布をエミュレートするレコメンデーションアルゴリズムの能力を評価するための感度の高いフレームワークを提供する味覚分布距離(TDD)分析を提案した。5つの異なるデータセットでの広範な実験結果は、異なる最先端のベースラインと比較した場合のAMP-CFの有効性を実証している。最後に、我々の定性分析では、AMP-CFがユーザーの潜在的なペルソナを明らかにし、説明可能なレコメンデーションシステムを促進する能力を示しています。
Meta
どんなもの？（3行ぐらいで）
先行研究と比べてどこがすごい？
技術や手法のキモはどこ？
どうやって有効だと検証した？
議論はある？
次に読むべき論文は？
自分なりのアウトプット・どんなことに使えそうか
参考リンク