RecSys2015勉強会(2015/10/17)の資料

1. Recsys2015 勉強会
HyPER: A Flexible and Extensible Probabilistic
Framework for Hybrid Recommender Systems
Pigi Kouki (UC Santa Cruz) et al.
2015/10/17(土)
(株)東芝 浜田伸一郎

2. Recsys2015 勉強会
概要
汎用的なハイブリッド推薦フレームワークHyPER
を提案
モデリング言語PSL(Probabilistic Soft Logic)を
用いて宣言的にルール記述するだけで，様々な
類似指標・外部情報を総合した推論や，外部推
薦システムとの予測結果の統合が可能．

3. Recsys2015 勉強会
一階述語論理を連続に拡張した推論システム．HyPER
がプラットフォームとして利用．
論理の連続化
推論
PSL概要
ルール(rhead⇒rbody)における満足な状態からの距離
ロス関数．pは1か2．wはルールへの重み
wを最適化
数式は以下論文から引用
Kimmig, Angelika, et al. "A short introduction to probabilistic soft logic." NIPS
Workshop on Probabilistic Programming: Foundations and Applications. 2012.
I(・): 原始論理式の解釈値 [0,1]

4. Recsys2015 勉強会
解きたい推薦モデル例
予測対象
アイテム・ユーザ間
の欠損Rating値(二
部グラフにおける
破線部)
予測の手がかり
既存のRating値
アイテム間・ユーザ
間のRatingの類似
性
アイテム間・ユーザ
間の内容の類似性
外部情報(例: SNS
友達リンク，他推
薦システム予測値)
図は論文から引用

5. Recsys2015 勉強会
HyPERを用いたレコメンダ実装例
ユーザベース協調フィルタ例．類似指標例としてはkNN(上位k以内か否か)，cos，pearsonなど．
類似性ルールを複数記述すれば，複数指標の混合も可能．
Mean-Centering Priors．Average…は該ユーザの採点値平均を[0,1]尺度で返す関数とする．
外部情報援用．Friendsはu1・u2間でSNS友達リンクがあれば真を返す二値関数とする．
コンテンツベース推薦．ここではユーザのデモグラフィック類似性から推論．
他推薦システム予測値との混合． 数式は論文から引用
実装方法
(基本的に)ルールを作成列挙するだけ．ただし値域[0,1]を持つ連続値また
はブールとして実装すること．
フレームワークシステムは各ルールの重みを調整する．
記述例

6. Recsys2015 勉強会
推薦システムの評価実験
データセット
Yelp ローカル事業推薦タスク．友人リンク・事業カテゴリ名あり．
Last.fm アーティスト推薦タスク．友人リンク・タグ名あり．
実験結果
既存手法(単体モデル・ハイブリッドモデル)のいずれの性能も凌駕した
MF: Matrix factorization，BPMF-SRIC: Bayesian probabilistic matrix factorization，Naïve: 単純平均混合，
BPMF-SRIC: BPMF with social relations and items' content
表は論文から引用

7. Recsys2015 勉強会
レビュー
新規性・独創性[4/5]
テンプレート言語で柔軟にモデリングできるフレームワークは
情報推薦分野では新規的．作者によると初
ただし貢献の多くはPSLによるものであるため-1
有効性・重要性[4/5]
開発コストの観点から有用性が期待できる
いくつかの既存アプローチに対する性能上の優位性を実証し
ている
(参考)公開されているHyPERシステムのソースコード
groovyで書かれたPSL利用プログラム
フレームワークというよりPSLの推薦応用向けサンプルに近い