Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Recsys2016勉強会

94 views

Published on

RecSys2016勉強会の資料です。

Published in: Data & Analytics
  • Be the first to comment

  • Be the first to like this

Recsys2016勉強会

  1. 1. Discovering What You’re Known For: A Contextual Poisson Factorization Approach by Haokai Lu, et al. (の紹介) RecSys2016勉強会(10/29) 佐藤 政寛 Discovering What You’re Known For: A Contextual Poisson Factorization Approach. Haokai Lu, et al. RecSys2016. 2016 ACM. http://dx.doi.org/10.1145/2959100.2959146
  2. 2. 概要 • ユーザーが「何で知られているか」(専門性) の予測 (〇〇さんといえば〇〇だよね、の推定) • Twitterの投稿内容、位置情報、フレンド関係 を使い、Poisson factorizationを応用
  3. 3. 投稿内容と専門性 • 投稿内容と専門性は必ずしも一致しない – 例えば「シェフ」タグで知られているAlice – 食べ物のレシピを多く投稿するが、近況やその他 の趣味関心に関する投稿もする – 適切に「シェフ」「レシピ」タグを、known-forプロ ファイルに割り当てたい
  4. 4. 位置情報と専門性 • 専門性タグごとに、位置分布が異なる – 起業家(entrepreneur)は西海岸に多い – 政治(politics)は東海岸に多い 「起業家」の分布 「政治」の分布
  5. 5. 友人関係と専門性 • つながっているユーザー間の専門性類似度(影響 度)は、ユーザーごとかつタグごとに異なる – ユーザー1はユーザー2より、marketやadの影響度大 – ユーザー2はユーザー1より、entertainmentの影響度大
  6. 6. 提案モデル ruwθw rutθlu rft θftθu U θt TW F λt λftλu λl L λw ユーザーの潜在変 数θuは、投稿テキス トruwと専門タグrutの 両方を反映する フレンドの影響度θftは、フ レンドと専門タグの双方 に依存する lはユーザーのロケーション
  7. 7. 実験 • クラウドがtwitter userにタグ付けしたTwitter listsというデータを使用
  8. 8. 結果 • Twitterへの投稿内容、位置、ソーシャル関係、 それぞれが予測精度向上に寄与 投稿内容のみ 内容と位置 内容とソーシャル 3つすべて
  9. 9. 結果 • 専門タグ推定に対するフレンドの影響度は、 フレンドとタグに依存(させた方が性能向上) 投稿内容のみ フレンド影響度は一定 フレンドに依存 フレンドxタグに依存
  10. 10. まとめ • ユーザーが「何で知られているか」(専門性) の予測 • Twitterの投稿内容、位置情報、フレンド関係 を使い、Poisson factorizationを応用 • 投稿内容、位置情報、フレンド関係、それぞ れが予測精度向上に貢献
  11. 11. レビュー • 新規性・独創性 4 known-forの推定というタスク設定が新しい。 ただexpertiseの推定と、どれくらい違うのかはよ くわからない。 • 有効性・重要性 4 投稿内容、位置、フレンド関係のそれぞれの効 果の検証や、フレンドの影響度の導入方法によ る違いの検証があるのがよい。ただ推薦に一般 的なpreferenceの推定と、現象面でどういう違い があったのかはよくわからない。

×