![パーソナル?グループ推薦におけるユーザー満足度
- Social Welfare(sw) -
搁别肠蝉测蝉2015勉强会4
? 期待値(θは省略)
? E[sw(a,RU
S | G,RO)] = ∑i sw(a,RU
S|G,RO) * P(RU
S|G,RO)
? RU
S = {ri | i∈U∩S}
? 最適なグループ推薦
? sw(a,RU
S ) = ∑i g(rMPE
i, m), RMPE
S = {rMPE
i | i∈U∩S}
? RMPE
S = argmax P(RU
S|G,RO)
? 最適なパ―ソラナライズ推薦
? sw(a,RU ) = ∑j g(rMPE
j, m), i∈U
? rMPE
i = argmax P(ri|G,RO)
g(ri(a), m) = m - ri(a)
ri(a) : ユーザーiに商品aをランクriで推薦
m : 商品は全部でm個 [m ≧ ri(a)]
S : ユーザーiが属するグループ
グループ?個人のswを最適化
していることに注意](https://image.slidesharecdn.com/recsys2015-151018160922-lva1-app6891/85/Preference-oriented-Social-Networks_Group-Recommendation-and-Inference-4-320.jpg)
![感想
? 新規性?独創性[4/5]
? モデル化したネットワーク情報がユーザー嗜好性のデータ欠損を補
う事を示した
? モデルは実社会ネットワークでみられる統計性を再現できた
? 有効性?重要性[2/5]
? 筆者も課題として挙げているが、欠損したユーザー嗜好性を推定
する為にMCMC(棄却サンプリング)を使っており、大規模データに
も適用できるかが課題
? インプリケーション
? 欠損値を補うためにモデル化するという発想がFactorization系と
似ており、無理にグラフに持ち込む必要はないのでは
搁别肠蝉测蝉2015勉强会7](https://image.slidesharecdn.com/recsys2015-151018160922-lva1-app6891/85/Preference-oriented-Social-Networks_Group-Recommendation-and-Inference-7-320.jpg)
More Related Content
More from Takanori Nakai (13)
Preference-oriented Social Networks_Group Recommendation and Inference
- 1. Preference-oriented Social Networks: Group Recommendation and Inference by Amirali Salehi-Abari、Craig Boutilier 担当： Takanori Nakai 搁别肠蝉测蝉2015勉强会1 【搁别肠蝉测蝉2015勉强会】
- 2. 概要 - ユーザー嗜好にネットワークを考慮 - ? ユーザーの行動や嗜好性は、 ユーザーが属するネットワークに影響を受ける ? ネットワーク情報と嗜好性を考慮し、以下を議論 ? パーソナライズ推薦とグループ推薦の性能比較 ? 嗜好性が観測できない場合、実データに適用出来るかという検討 注)ネットワークは事前にモデルパラメータが与えられている。筆者の既存研究より、実ネットワークの性質を再現できるモデル 注)嗜好性が観測できない：観測出来なかったか、欠損しているか(Matrix Factorizationで補完される値) ? パーソナライズ?グループ推薦は甲乙つけ難い結果 ? モデル化したネットワーク情報が嗜好性のデータ欠損を補った ? 嗜好性が観測できない(欠損している)状況では、 モデルで補完し推定 > 観測量のみで推定 搁别肠蝉测蝉2015勉强会2
- 3. モデル概要 - エッジの連結にランキングを付与したグラフ - 搁别肠蝉测蝉2015勉强会3 注) ノード：ユーザー エッジ：ユーザーiとユーザーj の嗜好性を数値化 観測出来た嗜好性を基に推定したグラフ構造 欠損値を含んで観測した嗜好性を基に推定したグラフ構造 ? rk = rk(商品) ? 例: rk(商品) = 1位。商品(≒トピック)は全ユーザーに共通 ? RU = {ri | i∈U}、 U :欠損して観測したユーザー集合 ? RO = {rj | j∈O}、 O :値をもって観測したユーザー集合 ? G = G(V、E) ? Θ : グラフGを特徴づけるパラメータ(全部で5つ)
- 4. パーソナル?グループ推薦におけるユーザー満足度 - Social Welfare(sw) - 搁别肠蝉测蝉2015勉强会4 ? 期待値(θは省略) ? E[sw(a,RU S | G,RO)] = ∑i sw(a,RU S|G,RO) * P(RU S|G,RO) ? RU S = {ri | i∈U∩S} ? 最適なグループ推薦 ? sw(a,RU S ) = ∑i g(rMPE i, m), RMPE S = {rMPE i | i∈U∩S} ? RMPE S = argmax P(RU S|G,RO) ? 最適なパ―ソラナライズ推薦 ? sw(a,RU ) = ∑j g(rMPE j, m), i∈U ? rMPE i = argmax P(ri|G,RO) g(ri(a), m) = m - ri(a) ri(a) : ユーザーiに商品aをランクriで推薦 m : 商品は全部でm個 [m ≧ ri(a)] S : ユーザーiが属するグループ グループ?個人のswを最適化 していることに注意
- 5. 評価値 ? Mean Scaled Expected Kendall-τ(MSEK) ? 正確性に関する結果指標 ? 予測した嗜好性と実現値の整合性をケンドールτで測る ? Relative Social Welfare Loss(RSWL) ? ユーザー満足度の結果指標 ? U : 実現値(観測出来ない設定だが、裏で正解を持っている) ? Uinf : 予測値 搁别肠蝉测蝉2015勉强会5 sw(a,U) - sw(a,Uinf) / sw(a,U)
- 6. 結果：ユーザー満足度について - 実データ(RSWLによる性能比較) - ? DUとの差分が欠損した場 合の性能比較 ? DU vs POSON-* データ欠損をモデルが補完 ? ES?JMPES?IMPESに明 確な違いはない ? JMPES?IMPESにほとんど 違いがないことから、グルー プにしろパーソナライズにしろ 、最適化することが重要 搁别肠蝉测蝉2015勉强会6 ユーザー満足度を測る指標 ES:swの期待値 JMPES:最適なグループ推薦 IMPES:最適なパ―ソラナライズ推薦 DU:観測できたデータのみで計算 観測可能量のみ考慮 欠損値も考慮
- 7. 感想 ? 新規性?独創性[4/5] ? モデル化したネットワーク情報がユーザー嗜好性のデータ欠損を補 う事を示した ? モデルは実社会ネットワークでみられる統計性を再現できた ? 有効性?重要性[2/5] ? 筆者も課題として挙げているが、欠損したユーザー嗜好性を推定 する為にMCMC(棄却サンプリング)を使っており、大規模データに も適用できるかが課題 ? インプリケーション ? 欠損値を補うためにモデル化するという発想がFactorization系と 似ており、無理にグラフに持ち込む必要はないのでは 搁别肠蝉测蝉2015勉强会7