4. 2017/12/16 第11回Webインテリジェンスとインタラクション研究会 / 17
推薦システムにおける説明
!4
推薦システムの説明における役割 [Tintarev, 2007]
• 信頼性:ユーザのシステムに対する信頼を向上させる情報を提供
• 有効性:ユーザが良い決定を行うのを助ける情報を提供
• 透明性:なぜそのアイテムが推薦されたかの情報を提供
推薦に透明性があると,ユーザは推薦されたアイテムを好みやすい
[Herlocker+, 2000], [Shinha+, 2002], [Gedilki+, 2014]
→ 協調フィルタリングではメモリベース法が主流
モデルベース協調フィルタリングで推薦の透明性を実装
Herlocker, J. L., Konstan, J. A., and Riedl, J.: Explaining Collaborative Filtering Recommendations, Proc. of the 2000 ACM Conf. on Computer
Supported Cooperative Work, pp. 241–250, 2000
Tintarev, N.: Explaining Recommendedions, Proc. of Int. Conf. on User Modeling, pp. 470-474, 2007
Sinha, R. and Swearingen, K.: The Role of Transparency in Recommender Systems, Proc. of SIGCHI Conf. on Human Factors in Computing
Systems, pp. 830-831, 2002
Gedikli, F., Jannach, D., and MouzhiGe: How Should I Explain? A Comparison of Different Explanation Types for Recommender Systems, Int. J.
of Human-Computer Studies, Vol. 72, No. 4, pp. 367–382, 2014
6. 2017/12/16 第11回Webインテリジェンスとインタラクション研究会 / 17
研究目的
!6
協調フィルタリングにおける課題
目的アイテムのスコア予測だけでなく,
予測に影響を与える他のアイテムの推定技術の開発
• ユーザ−アイテム行列は巨大で疎性が強い
→ 学習に使用できる観測データが少なくなる傾向
• 重回帰分析は変数の数に対して観測データ数が10倍程度必要
• 想定される解決法
- 正則化
- 次元圧縮
[P. Peduzzi+, 1995]
Peduzzi, P., Concato, J., Feinstein, A. R., and Holford, T. R.: Importance of Events Per
Independent Variable in Proportional Hazards Regression Analysis II. Accuracy and Precision of
Regression Estimates, J. of Clinical Epidemiology, Vol. 48, No. 12, pp. 1503-1510, 1995.
重回帰分析の協調フィルタリングへの応用
→ 評価されているところのみを学習する
Word2Vecを用いることで高速に学習
7. 2017/12/16 第11回Webインテリジェンスとインタラクション研究会 / 17
重回帰分析型協調フィルタリング
!7
予測モデル(正則化法)
ˆy = ↵0 + x↵
予測モデル(次元圧縮法)
ˆy = β0 + xWβ
次元圧縮
(Word2Vec)
次元
Wn
k
X0
k
m
圧縮空間
X0
= XW
回帰式(次元圧縮法)
y
学習用ユーザ−アイテム行列
アイテム
ユ
ー
ザ X
m n
y
目的変数説明変数
y = β0 + X0
β + R(β)
正則化項
正則化項
学習用ユーザ−アイテム行列 回帰式(正則化法)
アイテム
ユ
ー
ザ X
m n
y
目的変数説明変数
正則化による方法
y = ↵0 + X↵ + R(↵)