More Related Content More from Takanori Nakai (13) Preference-oriented Social Networks_Group Recommendation and Inference2. 概要
- ユーザー嗜好にネットワークを考慮 -
ユーザーの行動や嗜好性は、
ユーザーが属するネットワークに影響を受ける
ネットワーク情報と嗜好性を考慮し、以下を議論
パーソナライズ推薦とグループ推薦の性能比較
嗜好性が観測できない場合、実データに適用出来るかという検討
注)ネットワークは事前にモデルパラメータが与えられている。筆者の既存研究より、実ネットワークの性質を再現できるモデル
注)嗜好性が観測できない:観測出来なかったか、欠損しているか(Matrix Factorizationで補完される値)
パーソナライズ・グループ推薦は甲乙つけ難い結果
モデル化したネットワーク情報が嗜好性のデータ欠損を補った
嗜好性が観測できない(欠損している)状況では、
モデルで補完し推定 > 観測量のみで推定
Recsys2015勉強会2
4. パーソナル・グループ推薦におけるユーザー満足度
- Social Welfare(sw) -
Recsys2015勉強会4
期待値(θは省略)
E[sw(a,RU
S | G,RO)] = ∑i sw(a,RU
S|G,RO) * P(RU
S|G,RO)
RU
S = {ri | i∈U∩S}
最適なグループ推薦
sw(a,RU
S ) = ∑i g(rMPE
i, m), RMPE
S = {rMPE
i | i∈U∩S}
RMPE
S = argmax P(RU
S|G,RO)
最適なパ―ソラナライズ推薦
sw(a,RU ) = ∑j g(rMPE
j, m), i∈U
rMPE
i = argmax P(ri|G,RO)
g(ri(a), m) = m - ri(a)
ri(a) : ユーザーiに商品aをランクriで推薦
m : 商品は全部でm個 [m ≧ ri(a)]
S : ユーザーiが属するグループ
グループ・個人のswを最適化
していることに注意
5. 評価値
Mean Scaled Expected Kendall-τ(MSEK)
正確性に関する結果指標
予測した嗜好性と実現値の整合性をケンドールτで測る
Relative Social Welfare Loss(RSWL)
ユーザー満足度の結果指標
U : 実現値(観測出来ない設定だが、裏で正解を持っている)
Uinf : 予測値
Recsys2015勉強会5
sw(a,U) - sw(a,Uinf) / sw(a,U)
6. 結果:ユーザー満足度について
- 実データ(RSWLによる性能比較) -
DUとの差分が欠損した場
合の性能比較
DU vs POSON-*
データ欠損をモデルが補完
ES・JMPES・IMPESに明
確な違いはない
JMPES・IMPESにほとんど
違いがないことから、グルー
プにしろパーソナライズにしろ
、最適化することが重要
Recsys2015勉強会6
ユーザー満足度を測る指標
ES:swの期待値
JMPES:最適なグループ推薦
IMPES:最適なパ―ソラナライズ推薦
DU:観測できたデータのみで計算
観測可能量のみ考慮
欠損値も考慮