ai lab paper friday 20161028

Collaborative Evolutionfor User Profiling

in Recommender Systems

AI Lab 馬場paper friday 2016. 10. 28

論文紹介

・刻一刻と変化するユーザの興味を加味したい

・MF x VAR の組み合わせが新規性

Introduction

ユーザの興味は刻一刻と変わっていく

① 「携帯探してたけど買ったからもう興味ないわ」 というユーザの興味が失われる系の変化

② 「新しく子供ができたから幼児について勉強したい」 という新しい興味が湧いてくる系の変化

③ 「寒くなってきたから厚手のコートがほしい」 という時間・季節に沿って変わる系の変化

⇒ 変化するユーザの興味を捉えたレコメンドがしたい

既存のレコメンド手法

Training Data Test Data

「 Training 期間の興味度合いが、 Test 期間でも一定に続く」という前提

興味度合い

提案手法の課題感

Training Data Test Data

Training 期間の中でも、興味度合いは時間推移に沿って変わっていく

その変化を捉えて、 Test 期間を予測できるようにするべきでは？

興味度合い

提案手法のアイデア

Matrix Factorization

Vector Auto Regressive Model

Preliminary

Probabilistic Matrix Factorizatin (PMF)

Rating Matrix の計算に正規分布を導入したもの

“Probabilistic Matrix Factorization”, R. Salakhutdinov and A. Mnih, NIPS2008

Probabilistic Matrix Factorizatin (PMF)

Rating Matrix の計算に正規分布を導入したもの

User x Item 行列（m x n）

User x Interest 行列 （ k x m ） Item x Interest 行列

（ k x n ）

indicator function

use i が item j を見たか否か

“Probabilistic Matrix Factorization”, R. Salakhutdinov and A. Mnih, NIPS2008

user i の Interest ベクト ル ( k x 1 )

item j の Interest ベクト ル（ k x 1 ）

Vector Auto Regressive (VAR)

係数行列 と分散共分散行列 を推定する

⇒ 最小二乗法により求める

時刻 t のユーザ興味ベクトルを推定するために VAR を適用する

時刻 t のユーザ興味ベクトル（ k x 1 ）

時刻 t - 1 のユーザベクトルが与える 影響を表す係数行列 ( k × k )

Least Square Estimation with Φ

係数行列 と分散共分散行列 を推定する

※ vec(·), which transforms a matrix into a vectors by stacking the columns.

Least Square Estimation with Φ

係数行列 を推定する

分散共分散行列 を推定する

“Estimation of parameters and eigenmodes of multivariate autoregressive models”, A. Neumaier and T. Schneider, 2001

Bootstrap Step と Collaborative Evolution Step

Bootstrap Step

VAR に入れる最初のユーザ興味ベクトルのリストを作る必要があるので、

1. T0 までで PMF を行い、ユーザ興味ベクトルのリスト を得る

2. Item 特徴ベクトルは時刻で大きく変動しないはずなので、 を利用する

ゆえに、 Bootstrap Step では以下の関数を最大化するように学習する

Collaborative Evolution Step

T0 以降からは以下の式を最適化する

ただし、

Collaborative Evolution Step

問題変形をすると（ log-posterior ⇔ の最大化 二乗誤差和の最小化）

Update のルール

Item Recommendation in Future time

最終的に、時刻 T+λ のユーザ i に対するアイテム j の推定値は以下で算出する

推定された時刻 T+λ の ユーザ興味ベクトル（ k x 1 ）

推定された時刻 0 の アイテム特徴ベクトル（ k x 1 ）

Experiments

Dataset

Chinese e-commerce website: “www.51buy.com”

2013年 4 月 ~ 2013年 9月までの、ユーザの閲覧ログ ← 予測しているのは閲覧

ここにデータもスライドもあるよ！ http://zhongqi.me/ ← ない。

EvaluationRMSE で比較しています

比較手法

PMF [Salakhutdinov and Mnih, 2008]

・MF 手法の欠損値の予測に効果的

・今回は色んな学習期間のものを用意（ 15d, 30d, 60d）

BPMF (Baysian PMF) [Salakhutdinov and Mnih, 2008]

完全にベイズ的に PMF を扱う。

PMF よりも計算量が高いが、多くの場合で PMF より精度が高い

timeSVD++ [Koren, 2009]

時系列要素を入れた SVD。

通常の SVD よりも計算量が高いが、多くの場合で精度が高い

① 他手法との比較結果

・提案手法（ CE ）が他手法よりも安定して低い RMSE を実現している

・週末は過去行動によらない閲覧行動が起きやすく、どの手法も精度が下がる

T のサイズ比較結果

・ T を大きくすればするほど精度が上がっていく

・が、 30 → 50 は計算コストが上がる割に、下がり幅が少ないので 30 日が最適

まとめ・感想

・MFと VARを組み合わせることで、変化するユーザの興 味 を捉えたレコメンデーション手法を提案した

・ Shop の実購買データを使って実験し、 比較手法の中で最も RMSE が低いことを確認した

・直感的に理解しやすい課題を、 直感的に理解しやすい手法で解決していて良い

・いくつかパラメータがあるのでそれらの最適値が気になる

・計算時間について 1 ミリも記述がないのが不安