![非負値行列因子分解
NMF (Non-negative matrix factorization)
係数行列 各ユーザの性質行列
? = ?? ? ?, ?の要素は非負
1. EM法(期待値最大化法)でW, Hを求める[21]
2. 完全なRが求められる
10](https://image.slidesharecdn.com/asequentialrecommendationapproachforinteractivepersonalizedstorygeneration-121213194055-phpapp02/85/A-sequential-recommendation-approach-for-interactive-personalized-story-generation-10-320.jpg)
![実験2: ボットによる评価(設定1/3)
[18]によるユーザの5つのプレイヤータイプ
プレイヤータイプ 好き
格闘家 戦い
権力者 アイテムやコイン入手
戦略家 創造的なアイディア
語り部 複雑な物語
役者 劇的な展開
5次元特徴ベクトルでボットの性質を表現する
(0.6, 0, 0, 0, 0.3) ? 格闘家かつ役者で，戦いのほうがより好き
各物語プレフィックスにも5次元ベクトルでラベル付け
ボットは，自分の特徴ベクトルとのコサイン類似度に基づいて
18
物語プレフィックスを评価 ＋ ノイズN(0,1)](https://image.slidesharecdn.com/asequentialrecommendationapproachforinteractivepersonalizedstorygeneration-121213194055-phpapp02/85/A-sequential-recommendation-approach-for-interactive-personalized-story-generation-18-320.jpg)
![実験2: ボットによる评価(設定3/3)
比較対象アルゴリズム
baselineP pPCAを用いるが，訓練?物語生成ともに，プレフィック
スではなくひとまとまりの物語に行う．映画など向けの
協調フィルタリングアルゴリズムに対応
baselineN NMPを用いる点を除いて上と同じ
Vector [18]に類似のアルゴリズム
pPCA 提案法（ユーザモデル化にpPCAを利用)
NMFw0P 提案法（ユーザモデル化にNMFを利用)
NMFwP 提案法（ユーザモデル化にNMFを利用，
Wの1-5列目はプレイヤータイプに関する知識を
用いて固定値に設定
20](https://image.slidesharecdn.com/asequentialrecommendationapproachforinteractivepersonalizedstorygeneration-121213194055-phpapp02/85/A-sequential-recommendation-approach-for-interactive-personalized-story-generation-20-320.jpg)
A sequential recommendation approach for interactive personalized story generation
- 1. A Sequential Recommendation Approach for Interactive Personalized Story Generation 1 2012/12/14
- 2. 発表論文 題名 順次推薦による パーソナライズドされた物語の対話的自動生成 出典 AAMAS’12 (Int’l Conf. on Autonomous Agents and Multiagent Systems) 著者 Hong Yu, Mark O. Riedl ジョージア工科大学 2
- 3. 提案概要: 対話的物語生成システム ストーリー ドラマ ユーザ ライブラリ マネージャ モデル 次の プロットポイント フィードバック プロットポイント 濁流は、 メロスの ★★★☆☆ 物語の構成要素 叫びをせせら笑 文章の１まとまり う如く、ますま す激しく躍り狂 う。浪は……… ユーザ ユーザの嗜好に応じて 3 プロットポイントを順次提示
- 4. アイディアと貢献 アイディア 協調フィルタリングの利用 (似ている人が好きなものは好きなことが多い) ? 協調フィルタリングは独立した一度の推薦を想定 しかし ? 物語はプロットポイントの列 貢献 1. 物語の断片からユーザの嗜好を学習?推定する prefix-based Collaborative Filteringアルゴリズムの提案 2. モデルの次元を仮定せずにユーザの嗜好モデルの構築が可能 3. 提案法をドラママネージャに適用し， ユーザの嗜好に基づくプロットポイントの提示を可能に 4
- 5. 提案 5
- 7. 物語の表現 定義 今までの物語(1,2,6) はどうですか？ 物語分岐グラフ：連続できるプロットポイントを結んだもの プレフィックスグラフ：ノードにプレフィックスが対応 ★4つ！ 评価の対応が自明 物語分岐グラフ プレフィックスグラフ 7
- 8. ユーザの好みモデル プレフィックス-评価行列 あるユーザが各prefixを どう评価したか ? Aさん Bさん Cさん … A(1) 1 * 1 … B(1,2) 3 2 * … ?= C(1,2,6) * * 4 … D(1,2,3) 5 * * … … まだ見ぬ物語を… … … … ユーザがどう评価するか？ 2つの協調フィルタリングアルゴリズムを試用 ? Probabilistic Principle Component Analysis (pPCA) 8 ? Non-negative Matrix Factorization(NMF)
- 9. 確率的主成分分析 pPCA (probabilistic Principle Component Analysis) 係数行列 ユーザ固有の 平均ベクトル 誤差，?~? 2 ? m次元ベクトル ? = ?? + ? + ? 1. EM法(期待値最大化法)でW, μ, σを求める (PRML p294) 2. 観測値からxを求める 3. 完全なrが求められる 9
- 10. 非負値行列因子分解 NMF (Non-negative matrix factorization) 係数行列 各ユーザの性質行列 ? = ?? ? ?, ?の要素は非負 1. EM法(期待値最大化法)でW, Hを求める[21] 2. 完全なRが求められる 10
- 11. 対話的物語生成システム動作概要(1/2) 前処理 ストーリーライブラリの構築 pPCA: ? = ?? + ? + ? NMF : ? = ? ? ? 訓練 フェーズ 1. データを収集．プレフィックス-评価行列Rを作る 2. ユーザモデルのパラメータ計算 (+モデルの次元推定) 11
- 12. 対話的物語生成システム動作概要(2/2) 新しいユーザが参加 pPCA: ? = ?? + ? + ? 物語生成 NMF : ? = ? ? ? フェーズ 1. 何度かの試行で初期rを得る(rは未定値を含む) 2. rをモデル化する(pPCAならx, NMFならhを求める) 3. モデルからr’を求める(r’は未定値を含まない) 4. 現在のプロットポイントから到達可能な最高の物 語を選択し，最適なプロットポイントを提示 5. ユーザにこれまでの物語を採点してもらう 6. rに採点結果を追加，1に戻る 12
- 13. 评価 13
- 14. 対話的物語生成システム(再掲) ストーリー ドラマ ライブラリ プレイヤー マネージャ モデル 次の プロットポイント フィードバック ★★★☆☆ 14 ユーザ
- 15. 评価前準備 ゲームブック: Choose Your Own Adventureシリーズの本を元に （分割?選択肢の削除などを行い) ６つのプロットポイントで構成される 物語を大量に作成 雪男が現れた！ ストーリー ライブラリ 戦う→3ページヘ あいさつ→5ページヘ ? 154の物語 ? 326のプレフィックス 15
- 16. 実験1:人間による评価(1/2) 訓練 ? 31人の被験者 フェーズ ? 10の物語(ランダムに選択)を用いて， ランダム順にプロットポイントを提示 プレフィックス-评価行列R(326×31行列)のうち14%の値が求められた → 90%を訓練用，10%を评価用に分け 様々な次元のモデルについてパラメータ推定 例) モデル 平均二乗誤差 NMF_次元4 1.1781 NMF_次元5 1.1371 NMF_次元6 0.9901 誤差最小のものを採用 NMF_次元7 1.1108 16
- 17. 実験1:人間による评価(2/2) 物語生成 訓練ユーザ: 訓練フェーズで協力した人のうち11人 フェーズ 新ユーザ: 訓練に参加していない22人の被験者 1. 5の物語に対して，ランダムにプロットポイントの提示 2. 提案法によって5つの物語のプロットポイントを提示 3. 2と同様 4. 1と同様 ランダム パーソナラ 正確さ イズド 全ユーザ 2.9449 3.8899 0.828 訓練ユーザ 3.032 4.035 0.863 新ユーザ 2.8993 3.8138 0.809 提案法は平均で1点程度评価が高い 各物語に対してのユーザからの评価値の平均 ８割程度の精度でランダムより良い性能 17
- 18. 実験2: ボットによる评価(設定1/3) [18]によるユーザの5つのプレイヤータイプ プレイヤータイプ 好き 格闘家 戦い 権力者 アイテムやコイン入手 戦略家 創造的なアイディア 語り部 複雑な物語 役者 劇的な展開 5次元特徴ベクトルでボットの性質を表現する (0.6, 0, 0, 0, 0.3) ? 格闘家かつ役者で，戦いのほうがより好き 各物語プレフィックスにも5次元ベクトルでラベル付け ボットは，自分の特徴ベクトルとのコサイン類似度に基づいて 18 物語プレフィックスを评価 ＋ ノイズN(0,1)
- 19. 実験2: ボットによる评価(設定2/3) 訓練 120体のボットを準備 フェーズ 特徴ベクトルは以下のいずれか (1,0,0,0,0), (0,1,0,0,0), (0,0,1,0,0), (0,0,0,1,0), (0,0,0,0,1) 訓練方法は実験１と同様 物語生成 1000体のボットを準備 フェーズ 特徴ベクトルはランダムに生成 19
- 20. 実験2: ボットによる评価(設定3/3) 比較対象アルゴリズム baselineP pPCAを用いるが，訓練?物語生成ともに，プレフィック スではなくひとまとまりの物語に行う．映画など向けの 協調フィルタリングアルゴリズムに対応 baselineN NMPを用いる点を除いて上と同じ Vector [18]に類似のアルゴリズム pPCA 提案法（ユーザモデル化にpPCAを利用) NMFw0P 提案法（ユーザモデル化にNMFを利用) NMFwP 提案法（ユーザモデル化にNMFを利用， Wの1-5列目はプレイヤータイプに関する知識を 用いて固定値に設定 20
- 21. 実験2: ボットによる评価(結果1/2) ランダムより 良い提案が 出来た割合 提案法は総じて性能が高い また，少ない学習回数でも高い精度を誇る 21 学習した物語の数
- 22. 実験2: ボットによる评価(結果2/2) 正解値との 平均二乗誤差 訓練に使用した ボットの数 ドメイン知識を用いると(青い線) 22 少ない訓練データで高い性能を出すことが出来る
- 23. 結論と将来の課題 結論 ? 順次推薦のためのアルゴリズムPBCFを提案 ? 提案法によりユーザモデルを構築，ドラママネージャに利用 ? 人間?ボットそれぞれによる実験から ユーザの嗜好に近い物語を提示出来ることを確認 将来の 課題 ? 人間に対しても，事前知識を組み入れたモデルの検討 ? ユーザによる選択の導入 23
- 24. 私見 ? 「連続して提示されるもの」に対する推薦，というものは 一般に有用そう ? （他の分野でやられてないのだろうか？） ? より現実的な状況へ適用したらどうなるかが気になる ? プレフィックスグラフが大きい時 ? ユーザが直接的に物語を選択できる ? 既存研究との差分をいろいろ挙げているが(e.g., 次元推定) 「ちょうど誰も解いてない問題設定で解いてみただけ」 のような印象を受ける ? 実験?评価に手をかけている感じがする 24