【論文紹介】ProtoMF: Prototype-based Matrix Factorization for Effective and Explainable Recommendations (RecSys 2022)
•
0 recomendaciones•369 vistas
2022年10月22日に開催された「RecSys2022論文読み会」の発表資料です。
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Más de Kosetsu Tsukuda
Más de Kosetsu Tsukuda (20)
【論文紹介】ProtoMF: Prototype-based Matrix Factorization for Effective and Explainable Recommendations (RecSys 2022)
- 1. 2022年10月22日 RecSys2022論文読み会 紹介論文 ProtoMF: Prototype-based Matrix Factorization for Effective and Explainable Recommendations Alessandro B. Melchiorre Navid Rekabsaz Christian Ganhör Markus Schedl Johannes Kepler University Linz 名前 佃 洸摂（つくだ こうせつ） 所属 産業技術総合研究所 HP http://ktsukuda.me 紹介者
- 2. 自己紹介 2 研究テーマ：ユーザ生成コンテンツ・音楽コンテンツの推薦・検索・分析 再消費ER (RecSys’20) 多様化ER (RecSys’19) UGC推薦 (SIGIR’19) 学術発表 企業連携 Kiite（株式会社クリプトン） ボカコレ（株式会社ドワンゴ） https://kiite.jp https://site.nicovideo.jp/nicobox/lp/index.html 音楽推薦モデルの 提案・実装を担当 音楽印象分析・音楽推薦に基づく音楽発掘サービス 音声の再生に特化したニコニコ動画のプレーヤーアプリ
- 4. プロトタイプに基づく推薦 4 プロトタイプとなる少数の代表ユーザ・アイテムの潜在ベクトルを使って 推薦対象となるユーザ・アイテムの潜在ベクトルを表現 𝒑𝒑𝟏𝟏 𝒑𝒑𝟐𝟐 𝒑𝒑𝟐𝟐𝟐𝟐 … 推薦対象ユーザ 𝒖𝒖 プロトタイプ ユーザ 𝒕𝒕𝟏𝟏 𝒕𝒕𝟐𝟐 𝒕𝒕𝟐𝟐𝟐𝟐 … 推薦対象アイテム 𝒕𝒕 プロトタイプ アイテム
- 5. 従来研究１：RBMF（RecSys’11） 5 実在するユーザの中からプロトタイプとなるユーザ を選択 アイテムについてもアイテム潜在空間でプロトタイプとなるアイテムを選択 ℝ64 上のユーザ潜在空間
- 8. ProtoMF
- 9. プロトタイプユーザを用いたユーザ・アイテム間のスコア計算 9 ユーザ𝑢𝑢を各プロトタイプユーザとの類似度を要素とするベクトルで表現 ℝ64 上のユーザ潜在空間 𝒖𝒖 𝒑𝒑𝟏𝟏 𝒑𝒑𝟐𝟐 𝒑𝒑𝟑𝟑 𝒖𝒖∗ = 𝑠𝑠𝑠𝑠𝑠𝑠 𝒖𝒖, 𝒑𝒑𝟏𝟏 𝑠𝑠𝑠𝑠𝑠𝑠 𝒖𝒖, 𝒑𝒑𝟐𝟐 𝑠𝑠𝑠𝑠𝑠𝑠 𝒖𝒖, 𝒑𝒑𝟑𝟑 = 1.91 1.24 0.33 ∈ ℝ3 where 𝑠𝑠𝑠𝑠𝑠𝑠 𝒂𝒂, 𝒃𝒃 = 1 + 𝒂𝒂T𝒃𝒃 𝒂𝒂 𝒃𝒃 � 𝒕𝒕 = W𝑡𝑡𝒕𝒕 ∈ ℝ3 ユーザ 𝒖𝒖 アイテム 𝒕𝒕 U-score 𝑢𝑢, 𝑡𝑡 = 𝒖𝒖∗T� 𝒕𝒕 ∈ ℝ 𝒖𝒖・𝒕𝒕 間のスコア
- 10. プロトタイプアイテムを用いたユーザ・アイテム間のスコア計算 10 アイテム𝑡𝑡を各プロトタイプアイテムとの類似度を要素とするベクトルで表現 𝒕𝒕∗ = 𝑠𝑠𝑠𝑠𝑠𝑠 𝒕𝒕, 𝒑𝒑𝟏𝟏 𝑠𝑠𝑠𝑠𝑠𝑠 𝒕𝒕, 𝒑𝒑𝟐𝟐 𝑠𝑠𝑠𝑠𝑠𝑠 𝒕𝒕, 𝒑𝒑𝟑𝟑 = 1.87 0.16 0.94 ∈ ℝ3 where 𝑠𝑠𝑠𝑠𝑠𝑠 𝒂𝒂, 𝒃𝒃 = 1 + 𝒂𝒂T𝒃𝒃 𝒂𝒂 𝒃𝒃 � 𝒖𝒖 = W𝑢𝑢𝒖𝒖 ∈ ℝ3 アイテム 𝒕𝒕 ユーザ 𝒖𝒖 I-score 𝑢𝑢, 𝑡𝑡 = � 𝒖𝒖T𝒕𝒕∗ ∈ ℝ 𝒖𝒖・𝒕𝒕 間のスコア ℝ64 上のアイテム潜在空間 𝒑𝒑𝟏𝟏 𝒑𝒑𝟑𝟑 𝒑𝒑𝟐𝟐 𝒕𝒕
- 11. 推薦スコア計算 11 ℒUI−PROTO = ℒ𝑟𝑟𝑟𝑟𝑟𝑟 + 𝜆𝜆1𝑅𝑅 𝒫𝒫𝑢𝑢→𝒰𝒰 + 𝜆𝜆2𝑅𝑅 𝒰𝒰→𝒫𝒫𝑢𝑢 + 𝜆𝜆3𝑅𝑅 𝒫𝒫𝑡𝑡→𝒯𝒯 + 𝜆𝜆4𝑅𝑅 𝒯𝒯→𝒫𝒫𝑡𝑡 ベクトル (ユーザ＋アイテム＋プロトタイプ) 最適化 推薦スコア UI-score 𝑢𝑢, 𝑡𝑡 = U-score 𝑢𝑢, 𝑡𝑡 +I-score 𝑢𝑢, 𝑡𝑡 = 𝒖𝒖∗T� 𝒕𝒕 + � 𝒖𝒖T 𝒕𝒕∗ U-score 𝑢𝑢, 𝑡𝑡 = 𝒖𝒖∗T� 𝒕𝒕 I-score 𝑢𝑢, 𝑡𝑡 = � 𝒖𝒖T 𝒕𝒕∗
- 12. 損失関数 12 ℒUI−PROTO = ℒ𝑟𝑟𝑟𝑟𝑟𝑟 + 𝜆𝜆1𝑅𝑅 𝒫𝒫𝑢𝑢→𝒰𝒰 + 𝜆𝜆2𝑅𝑅 𝒰𝒰→𝒫𝒫𝑢𝑢 + 𝜆𝜆3𝑅𝑅 𝒫𝒫𝑡𝑡→𝒯𝒯 + 𝜆𝜆4𝑅𝑅 𝒯𝒯→𝒫𝒫𝑡𝑡 ユーザが消費したアイテムに対するスコアを高くする (cross-entropy/softmax) 𝑅𝑅 𝒫𝒫𝑢𝑢→𝒰𝒰 = − 1 𝐿𝐿𝑢𝑢 � 𝑙𝑙=1 𝐿𝐿𝑢𝑢 max 𝑖𝑖∈ 1,⋯,𝑁𝑁 sim 𝒖𝒖𝒊𝒊, 𝒑𝒑𝒍𝒍 𝒖𝒖 𝑅𝑅 𝒰𝒰→𝒫𝒫𝑢𝑢 = − 1 𝑁𝑁 � 𝑖𝑖=1 𝑁𝑁 max 𝑙𝑙∈ 1,⋯,𝐿𝐿𝑢𝑢 sim 𝒖𝒖𝒊𝒊, 𝒑𝒑𝒍𝒍 𝒖𝒖 どのプロトタイプユーザも 少なくとも一人の実ユーザと 十分に近い どの実ユーザも 少なくとも一人のプロトタイプユーザと 十分に近い プロトタイプユーザ関連 プロトタイプアイテム関連
- 13. 評価実験
- 14. 定量評価 14 ユーザごとに最新の1件をテスト用・2番目に新しい1件を検証用・残りを学習用 ハイパラチューニング (プロトタイプ数・潜在ベクトル次元数など)：TPEを採用 各ユーザで「テストデータ1件＋サンプリングした負例99件」の100件をランキング 従来手法のRBMF(RecSys’11, p.5)とACF(CIKM’21, p.6)よりも高精度 ユーザ・アイテムの一方のみのプロトタイプを考慮する手法(U-PROTOMF, I-PROTOMF) よりも両方のプロトタイプを考慮した手法(UI-PROTOMF)の方が高精度 表は論文より引用
- 15. 定性評価１｜プロトタイプの分布 15 ML-1M上のユーザプロトタイプ LFM2B-1MON上のアイテムプロトタイプ ユーザ・アイテムの各潜在空間をt-SNEで2次元に圧縮 ユーザ・アイテムいずれでもプロトタイプはクラスタの中心付近に存在 図は論文より引用
- 16. 定性評価２｜プロトタイプの特性分析 16 プロトタイプユーザ： 推薦結果を生成 𝒑𝒑𝟐𝟐 𝒑𝒑𝟐𝟐 ∗ = 𝑠𝑠𝑠𝑠𝑠𝑠 𝒑𝒑𝟐𝟐, 𝒑𝒑𝟏𝟏 𝑠𝑠𝑠𝑠𝑠𝑠 𝒑𝒑𝟐𝟐, 𝒑𝒑𝟐𝟐 𝑠𝑠𝑠𝑠𝑠𝑠 𝒑𝒑𝟐𝟐, 𝒑𝒑𝟑𝟑 = 0 2 0 プロトタイプアイテム： 潜在空間内での近傍を抽出 表は論文より引用
- 17. 定性評価３｜ユーザプロトタイプに基づく推薦理由 17 ⊙ 𝒖𝒖∗: 92件の各プロトタイプユーザとの類似度 � 𝒕𝒕 ∶ 92次元に変換されたアイテム𝑡𝑡のベクトル U-score 𝑢𝑢, 𝑡𝑡 : 各次元の値の和 37次元目：アニメ｜40次元目：恋愛｜53次元目：コメディ ユーザ 𝑢𝑢：37・40・53次元目のプロトタイプと類似度が高い アイテム 𝑡𝑡：37・40・53次元目との関連度が高い ユーザ 𝑢𝑢 に対するアイテム 𝑡𝑡 の推薦スコアは高くなる 図は論文より引用
- 18. 定性評価４｜プロトタイプのジェンダーバイアス 18 男性が有意に多い 男女比はデータセット全体と差なし 女性が有意に多い 男：女＝１：４ 図は論文より引用 ML-1Mデータセット 各ユーザを最も類似度の高いプロトタイプに割り当て プロトタイプごとに男女比を計算
- 19. まとめ 19 ２３種類のデータセットで提案手法の有効性を定量評価 プロトタイプベースの従来手法よりも高精度：RBMF (RecSys’11)・ACF (CIKM’21) １プロトタイプに基づく推薦手法ProtoMFを提案 ユーザとアイテムそれぞれの潜在空間内でプロトタイプを作成 ３提案手法の解釈容易性を生かした多様な定性評価 プロトタイプの分布と特性・推薦理由の提示・プロトタイプのジェンダーバイアス UI-score 𝑢𝑢, 𝑡𝑡 = U-score 𝑢𝑢, 𝑡𝑡 +I-score 𝑢𝑢, 𝑡𝑡 = 𝒖𝒖∗T� 𝒕𝒕 + � 𝒖𝒖T 𝒕𝒕∗