Recsys2015勉強会

1. Preference-oriented Social Networks: Group
Recommendation and Inference
by Amirali Salehi-Abari、Craig Boutilier
担当： Takanori Nakai
Recsys2015勉強会1
【Recsys2015勉強会】

2. 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

3. モデル概要
- エッジの連結にランキングを付与したグラフ -
Recsys2015勉強会3
注)
ノード：ユーザー
エッジ：ユーザーiとユーザーj
の嗜好性を数値化
観測出来た嗜好性を基に推定したグラフ構造
欠損値を含んで観測した嗜好性を基に推定したグラフ構造
 rk = rk(商品)
 例: rk(商品) = 1位。商品(≒トピック)は全ユーザーに共通
 RU = {ri | i∈U}、 U :欠損して観測したユーザー集合
 RO = {rj | j∈O}、 O :値をもって観測したユーザー集合
 G = G(V、E)
 Θ : グラフGを特徴づけるパラメータ(全部で5つ)

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

7. 感想
 新規性・独創性[4/5]
 モデル化したネットワーク情報がユーザー嗜好性のデータ欠損を補
う事を示した
 モデルは実社会ネットワークでみられる統計性を再現できた
 有効性・重要性[2/5]
 筆者も課題として挙げているが、欠損したユーザー嗜好性を推定
する為にMCMC(棄却サンプリング)を使っており、大規模データに
も適用できるかが課題
 インプリケーション
 欠損値を補うためにモデル化するという発想がFactorization系と
似ており、無理にグラフに持ち込む必要はないのでは
Recsys2015勉強会7