ABCPRec：何を創作したかという情報がコンテンツの消費時に反映されるユーザ生成コンテンツ推薦手法（WebDB Forum 2019・登壇発表）

1. 佃洸摂（産業技術総合研究所） Twitter: @ktsukuda WebDB Forum 2019 (2019. 9. 9) ABCPRec：何を創作したかという情報がコンテンツの消費時に反映されるユーザ生成コンテンツ推薦手法

2. ユーザ生成コンテンツ（UGC） 2  プロのクリエータでない一般の人々が創作するコンテンツ  主にWeb上で公開される  User-Generated Content (UGC)

3. UGCの特徴：ユーザの役割 3  eコマース  映画配信サービスユーザ＝消費者ユーザ＝消費者＋創作者 UGCサービス非UGCサービス消創消

4. UGCの特徴：コンテンツの創作ペース 4 創作の容易化創作者数の増加一億総クリエータ  非UGCに比べてコンテンツの創作ペースが速い  膨大なUGCからユーザが望むコンテンツの発見を支援するためにコンテンツの推薦は極めて重要ソフトウェアデバイス

5. UGC時代における推薦 5 何を創作したかという情報が推薦精度の改善に活用できる UGCサービス非UGCサービス  何を消費したか  何を消費したか  何を創作したか消消創

6. CPRec (consumer and producer based recommendation) 6 CPRec の論文： Wang-Cheng Kang, Julian McAuley Learning Consumer and Producer Embeddings for User-Generated Content Recommendation ACM RecSys 2018 ２CPRecの問題点モデルの柔軟性と妥当性の不十分な点１CPRecの概要 UGC推薦におけるstate-of-the-art手法３提案手法ABCPRec Adaptively Bridging CPRec

7. １CPRecの概要 UGC推薦におけるstate-of-the-art手法

8. 一般的な行列分解ベースのコンテンツ推薦 8 𝑢𝑢 𝑖𝑖 ? = �𝑥𝑥𝑢𝑢𝑢𝑢 = 𝛼𝛼 + 𝛽𝛽𝑢𝑢 + 𝛽𝛽𝑖𝑖 + 𝜸𝜸𝑢𝑢, 𝜸𝜸𝑖𝑖 𝜸𝜸𝑢𝑢 𝜸𝜸𝑖𝑖  ユーザとコンテンツをそれぞれ𝐾𝐾次元ベクトルで表現  ユーザ𝑢𝑢のコンテンツ𝑖𝑖に対する好み＝①消費者とコンテンツの相性  ユーザ・コンテンツ行列ユーザがコンテンツを消費した場合に限り1が立つ ? ① 好きベクトル消消

9. ユーザのコアベクトル 9 全てのユーザはを持つ 𝜸𝜸𝑢𝑢 コアベクトル 𝑾𝑾𝑐𝑐 𝑾𝑾𝑝𝑝 𝜸𝜸𝑢𝑢 𝑐𝑐 𝜸𝜸𝑢𝑢 𝑝𝑝  コアベクトル：一人のユーザとしての性質を表す  消費者ベクトル・創作者ベクトルはコアベクトルから生成  𝑾𝑾𝑐𝑐 ∈ ℝ𝐾𝐾×𝐾𝐾と𝑾𝑾𝑝𝑝 ∈ ℝ𝐾𝐾×𝐾𝐾は全ユーザで共通 = 𝑾𝑾𝑐𝑐 𝜸𝜸𝑢𝑢 = 𝑾𝑾𝑝𝑝 𝜸𝜸𝑢𝑢 消費者としてのベクトル𝜸𝜸𝑢𝑢 𝑐𝑐 創作者としてのベクトル𝜸𝜸𝑢𝑢 𝑝𝑝 消創

10. ユーザのコアベクトル 10 𝜸𝜸𝑢𝑢 𝑐𝑐 𝜸𝜸𝑢𝑢 𝑝𝑝 好きベクトル好きベクトル日頃の消費コンテンツ創作コンテンツに応じた消費者ベクトル創作者ベクトルが作成される消創 𝜸𝜸𝑢𝑢 コアベクトル 𝑾𝑾𝑐𝑐 𝑾𝑾𝑝𝑝

11. CPRecにおけるスコア計算 11 ? = �𝑥𝑥𝑢𝑢𝑢𝑢 = 𝛼𝛼 + 𝛽𝛽𝑢𝑢 + 𝛽𝛽𝑖𝑖 + 𝜸𝜸𝑢𝑢 𝑐𝑐 , 𝜸𝜸𝑖𝑖 + 𝜸𝜸𝑢𝑢 𝑐𝑐 , 𝜸𝜸𝑝𝑝𝑖𝑖 𝑝𝑝 𝜸𝜸𝑢𝑢 𝑐𝑐 𝜸𝜸𝑖𝑖𝜸𝜸𝑝𝑝𝑖𝑖 𝑝𝑝 ①消費者とコンテンツの相性 ②消費者と創作者の相性＋ ユーザ𝑢𝑢のコンテンツ𝑖𝑖に対する好み＝  ① ② 𝑢𝑢 ? 𝑖𝑖 好きベクトル好きベクトル 𝑝𝑝𝑖𝑖 消創創消

12. ２CPRecの問題点モデルの柔軟性と妥当性の不十分な点

13. 問題点１ 13  消費・創作コンテンツを十分に反映したベクトル作成が困難  モデルの柔軟性に欠けて推薦精度が下がる 𝜸𝜸𝑢𝑢 コアベクトル 𝑾𝑾𝑝𝑝 −1 𝜸𝜸𝑢𝑢 𝑐𝑐 𝜸𝜸𝑢𝑢 𝑝𝑝 60%好きベクトル好きベクトル 𝑾𝑾𝑐𝑐 𝜸𝜸𝑢𝑢 𝑐𝑐 = 𝑾𝑾𝑐𝑐 𝜸𝜸𝑢𝑢 𝜸𝜸𝑢𝑢 𝑝𝑝 = 𝑾𝑾𝑝𝑝 𝜸𝜸𝑢𝑢 𝜸𝜸𝑢𝑢 𝑐𝑐 = 𝑾𝑾𝑐𝑐 𝑾𝑾𝑝𝑝 −1 𝜸𝜸𝑢𝑢 𝑝𝑝 消創

14. 問題点２ 14 𝜸𝜸𝑢𝑢𝑢 𝑝𝑝 𝜸𝜸𝑢𝑢𝑢 𝑝𝑝 𝜸𝜸𝑢𝑢𝑢 𝑐𝑐 𝜸𝜸𝑢𝑢𝑢 𝑐𝑐 創作者ベクトル空間消費者ベクトル空間 𝜸𝜸𝑢𝑢 𝑐𝑐 = 𝑾𝑾𝑐𝑐 𝑾𝑾𝑝𝑝 −1 𝜸𝜸𝑢𝑢 𝑝𝑝 𝑾𝑾𝑐𝑐, 𝑾𝑾𝑝𝑝: 全ユーザ共通似た創作者ベクトルを持つユーザ同士は似た消費者ベクトルを持つ創創消消

15. 問題点２ 15 𝜸𝜸𝑢𝑢𝑢 𝑝𝑝 𝜸𝜸𝑢𝑢𝑢 𝑝𝑝 𝜸𝜸𝑢𝑢𝑢 𝑐𝑐 𝜸𝜸𝑢𝑢𝑢 𝑐𝑐 創作者ベクトル空間消費者ベクトル空間似た創作者ベクトルを持つユーザ同士は似た消費者ベクトルを持つ固定化した関係性を排除好き好き好き好き  創作者として似たユーザが消費者としても似ているとは限らない  モデルの妥当性に欠けて推薦精度が下がる創創消消

16. 問題点のまとめ 16 学習を通してベクトルが適切な値を持てず推薦精度が下がる  𝜸𝜸𝑢𝑢 𝑐𝑐 と𝜸𝜸𝑢𝑢 𝑝𝑝 の固定的な関係  モデルの柔軟性の欠如  𝑾𝑾𝑐𝑐と𝑾𝑾𝑝𝑝は全ユーザ共通  モデルの妥当性の欠如

17. ３提案手法ABCPRec Adaptively Bridging CPRec Kosetsu Tsukuda, Satoru Fukayama, Masataka Goto ABCPRec: Adaptively Bridging Consumer and Producer Roles for User-Generated Content Recommendation ACM SIGIR 2019

18. コアベクトルの排除 18 𝝂𝝂𝑢𝑢 𝑐𝑐 𝝂𝝂𝑢𝑢 𝑝𝑝 コアベクトルを持たないことで 𝝂𝝂𝑢𝑢 𝑐𝑐 と𝝂𝝂𝑢𝑢 𝑝𝑝 の固定化した関係性を排除モデルの柔軟性を向上全てのユーザはを持つ消費者としてのベクトル𝜸𝜸𝑢𝑢 𝑐𝑐 創作者としてのベクトル𝜸𝜸𝑢𝑢 𝑝𝑝 消創

19. ABCPRecにおけるスコア計算 19 = �𝑥𝑥𝑢𝑢𝑢𝑢 = 𝛼𝛼 + 𝛽𝛽𝑢𝑢 + 𝛽𝛽𝑖𝑖 + 𝝂𝝂𝑢𝑢 𝑐𝑐 , 𝜸𝜸𝑖𝑖 + 𝝂𝝂𝑢𝑢 𝑐𝑐 , 𝝂𝝂𝑝𝑝𝑖𝑖 𝑝𝑝 ①消費者とコンテンツの相性 ②消費者と創作者の相性＋ ユーザ𝑢𝑢のコンテンツ𝑖𝑖に対する好み＝   ベクトルの表記を除いてCPRecと同じ ① ② ? 𝝂𝝂𝑢𝑢 𝑐𝑐 𝑢𝑢 ? 𝑖𝑖 好きベクトル 𝑝𝑝𝑖𝑖 𝜸𝜸𝑖𝑖𝜸𝜸𝑝𝑝𝑖𝑖 𝑝𝑝 好きベクトル創消消創

20. 制約を加える必要性 20 CPRec ABCPRec 低モデルの複雑さ（パラメータ数）高低過学習の危険性高  コアベクトルを除いてモデルの複雑さを高めるだけでは不十分  より現実に即した制約を加えて適切なパラメータ学習を実現

21. 制約 21 ユーザ𝑢𝑢の消費者としての性質と創作者としての性質が類似消費者ベクトル 𝝂𝝂𝑢𝑢 𝑐𝑐 と創作者ベクトル 𝝂𝝂𝑢𝑢 𝑝𝑝 の値が類似 𝝂𝝂𝑢𝑢 𝑐𝑐 𝝂𝝂𝑢𝑢 𝑝𝑝 𝝂𝝂𝑢𝑢 𝑐𝑐 𝝂𝝂𝑢𝑢 𝑝𝑝 性質の類似度に応じて𝝂𝝂𝑢𝑢 𝑐𝑐 と𝝂𝝂𝑢𝑢 𝑝𝑝 の間に適応的に制約を付与 𝝂𝝂𝑢𝑢 𝑐𝑐𝝂𝝂𝑢𝑢 𝑝𝑝 性質の類似度高中低好き好き好き好き好き好き創消消創創消

22. 目的関数制約の目的関数への反映 22 max � 𝑢𝑢,𝑖𝑖,𝑗𝑗 ln𝜎𝜎 �𝑥𝑥𝑢𝑢𝑢𝑢𝑢𝑢 − 𝜆𝜆Θ Θ 2 − 𝜆𝜆𝑠𝑠 � 𝑢𝑢∈𝒰𝒰 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 𝝂𝝂𝑢𝑢 𝑐𝑐 − 𝝂𝝂𝑢𝑢 𝑝𝑝 2 where 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 : ユーザ𝑢𝑢の消費者の性質と創作者の性質の類似度 𝒔𝒔𝒔𝒔 𝒔𝒔(𝒖𝒖) 高中低

23. 消費コンテンツと創作コンテンツの消費ユーザ 23 推薦対象ユーザ 𝑢𝑢 𝐴𝐴 𝐵𝐵 消費 𝒖𝒖の消費コンテンツ 𝒖𝒖の創作コンテンツ消費  𝑢𝑢の消費コンテンツを消費したユーザ集合：𝐴𝐴  𝑢𝑢の創作コンテンツを消費したユーザ集合：𝐵𝐵

24. コンテンツの類似度とユーザ集合の重複度の関係１ 24 𝐴𝐴 𝐵𝐵 消費 𝒖𝒖の消費コンテンツ 𝒖𝒖の創作コンテンツ消費推薦対象ユーザ 𝑢𝑢 𝐴𝐴と𝐵𝐵の重複度は高くなる 𝑢𝑢の消費コンテンツと創作コンテンツの類似度：高

25. コンテンツの類似度とユーザ集合の重複度の関係２ 25 推薦対象ユーザ 𝑢𝑢 𝐴𝐴 𝐵𝐵 消費 𝒖𝒖の創作コンテンツ消費 𝐴𝐴と𝐵𝐵の重複度は低くなる 𝑢𝑢の消費コンテンツと創作コンテンツの類似度：低 𝒖𝒖の消費コンテンツ

26. ドメイン非依存の類似度判定 26 𝑢𝑢の消費者としての性質と創作者としての性質の類似度 ≒𝑢𝑢の消費コンテンツと創作コンテンツの類似度≒ 𝑢𝑢の消費コンテンツと創作コンテンツの消費ユーザの重複度ドメインに依存せず汎用的に二つの性質の類似度を判定

27. 消費ユーザの重複度に基づく消費者の性質と創作者の性質の類似度 27 類似度＝𝑠𝑠𝑠𝑠 𝑠𝑠(𝑢𝑢)＝高類似度＝𝑠𝑠𝑠𝑠 𝑠𝑠(𝑢𝑢)＝低

28. 𝒔𝒔𝒔𝒔 𝒔𝒔 𝒖𝒖 の計算のための仮説１ 28 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 = 𝐴𝐴 ∩ 𝐵𝐵 𝐴𝐴 = 5 7 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 = 𝐴𝐴 ∩ 𝐵𝐵 𝐴𝐴 = 1 7  ユーザ集合𝐴𝐴に焦点を当てる  𝐴𝐴のユーザが𝑢𝑢の創作コンテンツも消費：𝝂𝝂𝑢𝑢 𝑐𝑐 と𝝂𝝂𝑢𝑢 𝑝𝑝 は類似すべき

29. 𝒔𝒔𝒔𝒔 𝒔𝒔 𝒖𝒖 の計算のための仮説２ 29  ユーザ集合𝐵𝐵に焦点を当てる  𝐵𝐵のユーザが𝑢𝑢の消費コンテンツも消費：𝝂𝝂𝑢𝑢 𝑐𝑐 と𝝂𝝂𝑢𝑢 𝑝𝑝 は類似すべき 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 = 𝐴𝐴 ∩ 𝐵𝐵 𝐵𝐵 = 5 6 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 = 𝐴𝐴 ∩ 𝐵𝐵 𝐵𝐵 = 1 6

30. 評価実験

31. Research Question 31 CPRecからコアベクトルを除くことは有用であるかRQ1 ユーザの二つの役割の類似度に応じて 𝝂𝝂𝒖𝒖 𝒄𝒄 と𝝂𝝂𝒖𝒖 𝒑𝒑 の間に適応的に制約を加えることは有用であるか RQ2 𝑠𝑠𝑠𝑠 𝑠𝑠(𝑢𝑢)はどちらの仮説に基づく計算の方が有用であるかRQ3

32. データセット 32 写真共有サービス内容掲示板写真への ☆マーク消費スレッドへの書き込み写真投稿創作スレッド作成 11,299,060 ユーザ数 1,752,654 11,557,286 コンテンツ数 1,336,743 11,256,457 総アイテム消費数 1,786,032 99.83% 消費者の割合 99.60% 40.82% 創作者の割合 87.24% 40.65% 消費者兼創作者の割合 86.85% FlickrはRedditに比べてが低い創作者の割合消費者兼創作者の割合

33. 比較手法｜ベースライン 33 BPR (Bayesian Personalized Ranking) FMs (Factorization Machines)  ユーザ𝑢𝑢のコンテンツ𝑖𝑖に対する好み＝①消費者とコンテンツの相性  �𝑥𝑥𝑢𝑢𝑢𝑢 = 𝛼𝛼 + 𝛽𝛽𝑢𝑢 + 𝛽𝛽𝑖𝑖 + 𝝂𝝂𝑢𝑢 𝑐𝑐 , 𝜸𝜸𝑖𝑖 ①消費者とコンテンツの相性 ②消費者と創作者の相性＋  ユーザ𝑢𝑢のコンテンツ𝑖𝑖に対する好み＝  �𝑥𝑥𝑢𝑢𝑢𝑢 = 𝛼𝛼 + 𝛽𝛽𝑢𝑢 + 𝛽𝛽𝑖𝑖 + 𝝂𝝂𝑢𝑢 𝑐𝑐 , 𝜸𝜸𝑖𝑖 + 𝝂𝝂𝑢𝑢 𝑐𝑐 , 𝝂𝝂𝑝𝑝𝑖𝑖 𝑝𝑝 + 𝝂𝝂𝑢𝑢 𝑝𝑝 , 𝜸𝜸𝑖𝑖 ③創作者とコンテンツの相性＋ ① ② ③ ①

34. 比較手法｜state-of-the-art・ABCPRecの変種 34 CPRec NBCPRec (No-bridging CPRec)  UGC推薦におけるstate-of-the-art手法  �𝑥𝑥𝑢𝑢𝑢𝑢 = 𝛼𝛼 + 𝛽𝛽𝑢𝑢 + 𝛽𝛽𝑖𝑖 + 𝜸𝜸𝑢𝑢 𝑐𝑐 , 𝜸𝜸𝑖𝑖 + 𝜸𝜸𝑢𝑢 𝑐𝑐 , 𝜸𝜸𝑝𝑝𝑖𝑖 𝑝𝑝  CPRecからコアベクトルを排除した手法  消費者ベクトル𝝂𝝂𝑢𝑢 𝑐𝑐 と創作者ベクトル𝝂𝝂𝑝𝑝𝑖𝑖 𝑝𝑝 の間に制約を設けない  �𝑥𝑥𝑢𝑢𝑢𝑢 = 𝛼𝛼 + 𝛽𝛽𝑢𝑢 + 𝛽𝛽𝑖𝑖 + 𝝂𝝂𝑢𝑢 𝑐𝑐 , 𝜸𝜸𝑖𝑖 + 𝝂𝝂𝑢𝑢 𝑐𝑐 , 𝝂𝝂𝑝𝑝𝑖𝑖 𝑝𝑝

35. 提案手法｜ABCPRec 35 ABCPRecH2  仮説１を反映した提案手法  ユーザ集合𝐴𝐴に焦点 ABCPRecH1  仮説２を反映した提案手法  ユーザ集合𝐵𝐵に焦点

36. 評価指標・データ分割 36 評価指標データ分割  𝐴𝐴𝐴𝐴𝐴𝐴 = 1 𝒰𝒰 ∑𝑢𝑢∈𝒰𝒰 1 𝒟𝒟𝑢𝑢 ∑ 𝑖𝑖,𝑗𝑗 ∈𝒟𝒟𝑢𝑢 𝛿𝛿 �𝑥𝑥𝑢𝑢𝑢𝑢 > �𝑥𝑥𝑢𝑢𝑗𝑗  テスト用コンテンツが高順位になるほど高スコア (0 ≤ 𝐴𝐴𝐴𝐴𝐴𝐴 ≤ 1) 全消費コンテンツ TestValidationTraining  ユーザごとにValidation用・Test用データを1件ずつサンプリング  正則化項のハイパーパラメータをValidationデータ上で最適化

37. ベクトルの次元数𝑲𝑲 =20・50・80に対する結果 37 𝑲𝑲 BPR FMs CPRec NBCPRec ABCPRecH1 ABCPRecH2 Flickr 20 0.8698 0.8764 0.8563 0.8839 0.8861 0.8900 50 0.8772 0.8822 0.8664 0.8937 0.8949 0.8992 80 0.8777 0.8810 0.8712 0.8955 0.8988 0.9028 Reddit 20 0.8713 0.8960 0.9138 0.9209 0.9296 0.9340 50 0.8721 0.8999 0.9201 0.9302 0.9346 0.9391 80 0.8709 0.9001 0.9211 0.9322 0.9376 0.9408

38. Research Question 38 CPRecからコアベクトルを除くことは有用であるかRQ1 vs CPRec:コアベクトル有り NBCPRec:コアベクトル無し

39. 𝑲𝑲 BPR FMs CPRec NBCPRec ABCPRecH1 ABCPRecH2 Flickr 20 0.8698 0.8764 0.8563 0.8839 0.8861 0.8900 50 0.8772 0.8822 0.8664 0.8937 0.8949 0.8992 80 0.8777 0.8810 0.8712 0.8955 0.8988 0.9028 Reddit 20 0.8713 0.8960 0.9138 0.9209 0.9296 0.9340 50 0.8721 0.8999 0.9201 0.9302 0.9346 0.9391 80 0.8709 0.9001 0.9211 0.9322 0.9376 0.9408 RQ１に対する回答 39  NBCPRec：CPRecからコアベクトルを除いた手法  CPRec からコアベクトルを除くことは精度改善に有用  ベクトル間の関係を固定化したモデル化(CPRec)には無理がある < <

40. Research Question 40 ユーザの二つの役割の類似度に応じて 𝝂𝝂𝒖𝒖 𝒄𝒄 と𝝂𝝂𝒖𝒖 𝒑𝒑 の間に適応的に制約を加えることは有用であるか RQ2 𝝂𝝂𝑢𝑢 𝑐𝑐 𝝂𝝂𝑢𝑢 𝑝𝑝 𝝂𝝂𝑢𝑢 𝑐𝑐 𝝂𝝂𝑢𝑢 𝑝𝑝 𝝂𝝂𝑢𝑢 𝑐𝑐𝝂𝝂𝑢𝑢 𝑝𝑝 性質の類似度高中低好き好き好き好き好き好き創消消創創消

41. 𝑲𝑲 BPR FMs CPRec NBCPRec ABCPRecH1 ABCPRecH2 Flickr 20 0.8698 0.8764 0.8563 0.8839 0.8861 0.8900 50 0.8772 0.8822 0.8664 0.8937 0.8949 0.8992 80 0.8777 0.8810 0.8712 0.8955 0.8988 0.9028 Reddit 20 0.8713 0.8960 0.9138 0.9209 0.9296 0.9340 50 0.8721 0.8999 0.9201 0.9302 0.9346 0.9391 80 0.8709 0.9001 0.9211 0.9322 0.9376 0.9408 RQ２に対する回答 41 消費者と創作者の役割をよりも二つの役割を適応的に対応付けるABCPRecの方が有用常に対応付けるCPRec 全く対応付けないNBCPRec < <

42. Research Question 42 𝑠𝑠𝑠𝑠 𝑠𝑠(𝑢𝑢)はどちらの仮説に基づく計算の方が有用であるかRQ3 仮説１ 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 = 𝐴𝐴 ∩ 𝐵𝐵 𝐴𝐴 vs 仮説２ 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 = 𝐴𝐴 ∩ 𝐵𝐵 𝐵𝐵

43. 𝑲𝑲 BPR FMs CPRec NBCPRec ABCPRecH1 ABCPRecH2 Flickr 20 0.8698 0.8764 0.8563 0.8839 0.8861 0.8900 50 0.8772 0.8822 0.8664 0.8937 0.8949 0.8992 80 0.8777 0.8810 0.8712 0.8955 0.8988 0.9028 Reddit 20 0.8713 0.8960 0.9138 0.9209 0.9296 0.9340 50 0.8721 0.8999 0.9201 0.9302 0.9346 0.9391 80 0.8709 0.9001 0.9211 0.9322 0.9376 0.9408 RQ３に対する回答 43 < <  創作コンテンツの消費者に焦点を当てた仮説２の方が有用仮説１仮説２ <

44. 仮説２の有用性の検証：𝒔𝒔𝒔𝒔 𝒔𝒔 𝒖𝒖 の分布比較 44 仮説１仮説２ Flickr Reddit Flickr Reddit 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 = 0 62.70% 13.77% 62.87% 14.17% 0 < 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 ≤ 0.1 36.46% 47.34% 12.93% 10.82% 0.1 < 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 ≤ 0.2 10.54% 10.68% 14.92% 11.79% 0.2 < 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 ≤ 0.3 10.08% 16.54% 15.25% 12.67% 0.3 < 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 ≤ 0.4 10.02% 14.39% 14.78% 12.97% 0.4 < 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 ≤ 0.5 10.01% 12.93% 14.53% 12.76% 0.5 < 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 ≤ 0.6 110.0% 12.93% 14.71% 15.56% 0.6 < 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 ≤ 0.7 110.0% 12.20% 14.07% 16.21% 0.7 < 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 ≤ 0.8 110.0% 11.63% 13.21% 16.79% 0.8 < 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 ≤ 0.9 110.0% 11.33% 12.02% 19.68% 0.9 < 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 ≤ 1.0 10.17% 16.25% 10.72% 46.59%  仮説１では𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 > 0の大半のユーザが0 < 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑢𝑢 ≤ 0.1に分布  仮説２では𝝂𝝂𝑢𝑢 𝑐𝑐 と𝝂𝝂𝑢𝑢 𝑝𝑝 の間により強い制約が適切に加わり精度向上

45. 仮説２の有用性の検証：ユーザ間の好みの類似性 45 消費共通の消費コンテンツ …  A内の全ユーザペアに対して共通の消費コンテンツ数をカウント  この値が大＝A内のユーザの消費コンテンツの好みの類似度が高い  𝐵𝐵内の全ユーザペアに対しても同様にカウント 𝐴𝐴

46. 仮説２の有用性の検証：ユーザ間の好みの類似性 46 0% 10% 20% 30% 40% 50% 0 1 2 3 4 5 6 7 8 9 10 > 10 共通の消費コンテンツ数ユーザペアの割合  共通の消費コンテンツ数が２以上のユーザペアの割合は𝐵𝐵が上  𝑨𝑨 (仮説１)に含まれるユーザはコンテンツの好みが多様  𝑩𝑩 (仮説２)に含まれるユーザはコンテンツの好みが類似  仮説２の方がより信頼性の高い制約が加えられ推薦精度向上仮説１(ユーザ集合𝐴𝐴) 仮説２(ユーザ集合𝐵𝐵)

47. ベクトルの次元数𝑲𝑲の値に応じたAUCの推移 47 0.85 0.86 0.87 0.88 0.89 0.9 10 20 30 40 50 60 70 80 90 100 0.865 0.885 0.905 0.925 0.945 10 20 30 40 50 60 70 80 90 100 ABCPRecH2ABCPRecH1NBCPRecCPRecFMsBPR 𝐾𝐾 𝐾𝐾 Flickr Reddit

48. ベクトルの次元数𝑲𝑲の値に応じたAUCの推移 48 0.85 0.86 0.87 0.88 0.89 0.9 10 20 30 40 50 60 70 80 90 100 0.865 0.885 0.905 0.925 0.945 10 20 30 40 50 60 70 80 90 100 ABCPRecH2ABCPRecH1NBCPRecCPRecFMsBPR 𝐾𝐾 𝐾𝐾  創作者・消費者兼創作者の割合が低いFlickrではCPRec<ベースライン  ABCPRecは両データセットで高精度：モデルの頑健性を表す Flickr Reddit

49. まとめ 49 ABCPRec：UGC時代における新しい推薦今後の発展  コンテンツ特徴量(色・タグ)による二つの役割の類似度計算  異なるユーザ間の消費者ベクトルへの制約の付与  消費に加えて何を創作したかを反映することでより良い推薦に  全員を画一的に扱わず一人ごとの消費と創作の見極めが重要

50. photo by Emma photo by CetusPhotography photo by Richard Levitte photo by cuatrok77 photo by Bryan Ochalla photo by panli54 photo by ClieistD photo by ClieistD photo by small-life.com photo by K-nekoTR photo by Ekaterina Sotova photo by Tomáš K. photo by bryan lee photo by K-nekoTR photo by Tambako The Jaguar photo by localpups

51. photo by hehaden photo by hehaden photo by Egan Snow photo by monetmama photo by Farid Bueri photo by Cats by moonwhiskers photo by ClieistD photo by ★Kumiko★ photo by hehaden