 Variational Autoencoders for Collaborative Filtering](https://cdn.slidesharecdn.com/ss_thumbnails/dlp0207hozumi-200207030936-thumbnail.jpg?width=560&fit=bounds)
More Related Content
Similar to マイニング探検会#09 情報レコメンデーションとは (20)
More from Yoji Kiyota (20)
Recently uploaded (11)
マイニング探検会#09 情報レコメンデーションとは
- 1. 2010年12月17日 マイニング探検会#09 ＠東京大学アントレプレナープラザ会議室 情報レコメンデーションとは 東京大学情報基盤センター 学術情報研究部門 特任講師／ 株式会社リッテル 最高技術責任者 清田 陽司 1
- 2. 情報レコメンデーションとは？ ? 情報フィルタリングの一種 – 情報オーバーロード問題 – Passive filtering と active filteringがある ? Passive filtering: ニュース配信、スパムフィルタなど ? Active filtering: 情報レコメンデーション ? ユーザが興味を持ちそうな情報アイテムを提 示 – Webページ、書籍、音楽、映画、ニュース、… 2
- 3. 情报レコメンデーションのタイプ(狭義) G. Adomavicius (2005) ? 内容型 (Content-based approaches) 過去にアクセスした(好きな)アイテムに似たアイ テムが推薦される ? 協調型 (Collaborative approaches) 似た嗜好を持った人たちが過去にアクセスした (好きな)アイテムが推薦される ? 复合型 (Hybrid approaches) content-basedとcollaborativeの复合型 3
- 4. 情报レコメンデーションのタイプ(広義) R. Burke (2002) ? 协调フィルタリング (Collaborative filtering, CF) ? 内容ベース (Content-based) ? デモグラフィック (Demographic) デモグラフィック属性(性別、年齢、職業など)の利用 ? 有用性ベース (Utility-based) 利用者にとっての有用性(信頼性、多機能、…)を表す ユーティリティ関数を定義 ? 知識ベース (Knowledge-based) あらかじめ定義した知識ベースによる推論 cf. Overture, Google AdWords 4
- 5. 内容ベース手法 (Content-based approaches) 顧客: c, 推薦の候補となるアイテム: s アイテムsの顧客cに対する有用性:u(c, s) u(c, s) は、アイテムsに「似た」アイテムの集合S に 属する要素(si∈ S )の顧客c への有用性u(c, si) によって推定する 5
- 6. 础さん 3回見た ＋買った 4回見た ？ 1回見た 础さんが見た本のうち 「似た」内容のもの 6
- 7. 内容ベース手法の欠点 ? 内容解析の限界 (Limited content analysis) – 画像、音声、動画などの解析は難しい ? 過剰な最適化 (Overspecialization) – ギリシャ料理を食べたことがない人にギリシャ料理を 推薦することはできない – すでに知っているニュースを推薦してしまう – Woody Allenの映画を全て見たことがある人に推薦し ても意味がない ? 新規ユーザ問題 (New user problem) – 初めてアクセスした人には適切な推薦ができない 7
- 8. 协调フィルタリング (Collaborative approaches) 顧客: c, 推薦の候補となるアイテム: s アイテムsの顧客cに対する有用性:u(c, s) u(c, s)は、顧客cと「似た」顧客の集合C に属する 要素cj ∈ C に対するアイテムsの有用性 u(cj, s) によって推定する 8
- 9. 础さん Bさん Cさん Dさん ？ 4回見た 2回見た ＋買った 9
- 10. Collaborative approachesの欠点 ? 新規ユーザ問題 (New user problem) ? 新規登録アイテム問題 (New item problem) – 発売されたばかりの商品は推薦できない ? データスパースネス問題 (Sparsity) – かなりの量の履歴データが必要 10
- 11. 复合型 (Hybrid approaches) ? 内容ベース手法で得られる結果と協調フィル タリング手法で得られる結果をマージする ? 内容ベース手法で得られる特徴量を協調フィ ルタリングモデルに加える ? 协调フィルタリング手法で得られる特徴量を 内容ベースモデルに加える ? 別のモデルへのマッピング 11
- 12. 手法 前提 入力 出力 Collaborat 各々のユーザ(U)から 対象ユーザ(u)から uに類似したユーザをU/I行列か ive 各々のアイテム(I)への 各々のアイテム(I)へ ら計算し、各々のお薦めアイテ filtering 評価 (U/I の行列) の評価(ベクトル) ム(i)の評価を外挿的に推定 (CF) Content- 各々のアイテム(I)の特 対象ユーザ(u)から 各々のアイテム(I)の特徴ベクト based 徴ベクトル 各々のアイテム(I)へ ルを入力、評価を出力とする学 (CN) の評価 習器を作っておき、お勧めアイ テム(i)に適用 Demogra 各々のユーザ(U)のデモ 対象ユーザ(u)のデ uと属性的に類似したユーザ集 phic (DM) グラフィック属性と各々 モグラフィック情報 合を求め、各々のお薦めアイテ のアイテム(I)への評価 ム(i)の評価を外挿的に推定 Utility- 各々のアイテム(I)の特 対象ユーザ(u)の嗜 ユーティリティ関数を各々のお based 徴ベクトル 好を反映するユー 薦めアイテム(i)に適用する (UT) ティリティ関数 Knowledg 各々のアイテム(I)の特 対象ユーザ(u)の お勧めアイテム(i)とuの間の e-based 徴ベクトル ニーズ マッチングを推定する (KB) ユーザのニーズと個々 のアイテムの関係につ いての知識 12
- 13. 各手法の利点?欠点 Collabor Content Demogr Utility- Knowle ative -based aphic based dge- filtering based 利 A: ジャンルにまたがるレコメンド x x 点 B: ドメイン知識が不要 x x x C: 時間の経過につれて品質が向上 x x x D: 潜在的フィードバックが有効にはたらく x x E: 準備期間が不要 x x F: 嗜好の変化に追随できる x x G: 商品以外の属性を利用できる x x H: ユーザーニーズから製品へのマッピング x 欠 I: 新規ユーザへの即時対応ができない x x x 点 J:新規アイテムへの即時対応ができない x K: 小さなユーザ集合への適切なレコメンデーションが難しい x x L: 品質が履歴データ量に依存 x x x M: 安定性と柔軟性のトレードオフ x x x N: デモグラフィック属性の収集が必要 x O: ユーザーのユーティリティ情報入力が必要 x P: 履歴データからの学習が不可 x x Q: 知識データの調整作業が必要 x 13
- 14. 情报レコメンデーションの 研究コミュニティ ? ACM Recommender Systems (RecSys) – 2007年より開催、今年で4回目 ? http://recsys.acm.org/2010/ – 勉強会＠兵庫県立大 (12/12開催) ? http://qwik.jp/recsys-study/recsys2010.html ? Netflix Prize – オンラインDVDレンタル会社Netflixによるアルゴリズ ム開発コンテスト (2006年～) – プライバシー問題により2010年に中止 ? http://www.nytimes.com/2010/03/13/technology/13netflix. html?_r=1 14
- 15. 情报レコメンデーションの意味 ? ユーザに対する「気づきの提供」？それとも 「おせっかい」？ – 「押しつけがましい」と感じることも確かにある – ユーザの状況によるのでは？ ? ユーザの状況をどうモデル化するか？ – 検索の「場所」「方法」が明確か曖昧か – 検索の「目的」が明確か曖昧か 15
- 16. さ わき目もふらず、 が とりあえず入手できる情報を す 何かにそって順に見て回る 一直線に探す 場 所 や 既知情報検索 方 巡回／捜索 法 ／再入手 が ?ブログ 明 ?サーチエンジン ?FAQ 確 ?まとめサイト ?索引 ?パーソナライズ ?クラスタリング ?ソーシャルブックマーク さ が ブラブラとながめながら探す どこからどうやって探せばよいか す わからないので、試行錯誤しながら探す 場 所 や 方 散策 探求探索 法 が ?ポータルサイト ?サーチエンジン 曖 ?掲示板 ?Q&Aコミュニティ(人力検索) 昧 ?リファレンス さがす目的が曖昧 さがす目的が明確 16 吉川日出行: サーチ アーキテクチャ 「さがす」の情報科学 p. 52を参考に作成
- 17. さ わき目もふらず、 が とりあえず入手できる情報を す 何かにそって順に見て回る 一直線に探す 場 所 や 探し方やサイトの 既知情報検索 方 巡回／捜索 法 レコメンデーション ／再入手 が有効？ が ?ブログ 明 ?サーチエンジン ?FAQ 確 ?まとめサイト ?索引 ?パーソナライズ ?クラスタリング ?ソーシャルブックマーク さ が ブラブラとながめながら探す どこからどうやって探せばよいか す わからないので、試行錯誤しながら探す 場 この状況の人たち 所 や にとっては単なる 方 散策 アルゴリズムによる 探求探索 おせっかい？ 法 潜在的な興味の引 が き出しが有効？ ?ポータルサイト ?サーチエンジン 曖 ?掲示板 ?Q&Aコミュニティ(人力検索) 昧 ?リファレンス さがす目的が曖昧 さがす目的が明確 17 吉川日出行: サーチ アーキテクチャ 「さがす」の情報科学 p. 52を参考に作成
- 18. さがす目的の阶层 用品の買い物先を 塩野七生の 具体的な ホテルを探す 見つける 本を探す 行動？ 現地での行動を バーベキューに 古代ローマに テーマ 決める 必要なものを探す ついて調べる 旅行先を 自宅で楽しめる 面白そうな ドメイン 探す レジャーを探す 分野を探す 分野 週末に家族で 未知の分野の 動機 一緒に過ごす 知識を深める 18
- 19. 推定に使えそうな手掛かり ? クエリーワードによる推定 – 既知情報検索: 定期的流行ワード (母の日、クリスマス、…) – 探求探索: HowTo的クエリー (～方法)、クエリーの頻繁な入 れ替え – 巡回: サイト指定クエリー(SMAP wiki)、サイト名 – 散策: 瞬間的流行ワード (海老蔵)、「2ch」「ニコニコ動画」 「YouTube」 ? サイト内行動による推定 – 既知情報検索: サーチエンジンからの直行 – 探求探索: サーチエンジンで何ページも根気よく閲覧 – 巡回: 毎日?毎週決まった時間に訪問/RSSなどから訪問 – 散策: 掲示板などの頻繁なリロード 19