情报推荐システム入门：讲义スライド
34 likes20,119 views
情报推荐システムの讲义スライドです。情报推荐システムの基本方式、情报推荐システムの评価、先端的トピックの叁部构成です。
![2
自分の経験の中では，あまりよく知らないものの中から，
どれかを選択しなければならないことはよくある．
It is often necessary to make choices without sufficient personal experience of
the alternatives.
[Resnick+ 97]](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-2-320.jpg)
![3
このようなときには，我々は他者からの推薦に頼るという
ことを日常的に?っている．?コミや推薦状，新聞の映画
評，書評，レストランガイドなどがそうである．
In everyday life, we rely on recommendations from other people either by word
of mouth, recommendation letters, movie and book reviews printed in
newspapers, or general surveys such as Zagat‘s restaurant guides.
[Resnick+ 97]](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-3-320.jpg)
![4
情報推薦システムは，こうした社会で普通に?われている
?連の?為を補助したり，促進したりするものである．
Recommender systems assist and augment this natural social process.
[Resnick+ 97]](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-4-320.jpg)
![アイテムベース協調フィルタリング
28
(1) 評価値?列を基に各アイテム間の類似度を算出し，
アイテム間の類似度?列を作成（オフライン処理）
(2) アイテム間の類似度?列を基に，対象ユーザが
興味のあるアイテムに類似するアイテムを推薦
Amazonなどの実?的な
アプリケーションで採?
[Linden+ 03]](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-28-320.jpg)
![質問例
60
評価尺度 質問
推薦精度 推薦されたアイテムは私の興味に合っていた
推薦新規性 推薦されたアイテムは私にとって新しい
推薦多様性 推薦されたアイテムは多様であった
インタフェース妥当性 このシステムのインタフェースは分かりやすかった
説明性 このシステムは私に本の推薦理由を説明してくれた
総合満?度 私は全体としてこのシステムに満足している
システム信頼度 このシステムは私にとって信頼できる
システム利?意図 私はこのシステムをまた利?したい
セレンディピティ このシステムは私に新しい興味に気付かせてくれたり，
新たな発?を与えてくれたりした
以下の質問について，5段階で回答してもらう
5：強くそう思う, 4：そう思う,
3：どちらともいえない,
2：そうは思わない, 1：まったくそうは思わない
[Pu+ 11]](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-60-320.jpg)
![評価尺度間の関係性
61
説明性
インタラクション
妥当性
推薦精度
推薦
新規性
推薦
多様性
情報
充足性
インタフェース
妥当性
透過性
制御性
知覚
有?性
知覚
簡便性
システム
信頼度
総合
満足度
アイテム
購入意図
システム
利?意図
ユーザ知覚品質 ユーザ信頼度 ユーザ態度 ?動意図
[Pu+ 11]](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-61-320.jpg)
![意外性（Unexpectedness）
63
意外性の高いアイテム
単純な予測?法では予測が困難なアイテム
単純な予測方法により
推薦可能なアイテム集合
意外なアイテム集合
推薦アイテム集合（RS）
スター
ウォーズ
ハリー?
ポッター
＼
パーシー?
ジャクソン
タイタンの
戦い
センター?
オブ?ジ?
アース
[Murakami+ 08]](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-63-320.jpg)
![セレンディピティ（Serendipity）
64
セレンディピティなアイテム
意外かつ有?なアイテム
単純な予測方法により
推薦可能なアイテム集合
意外なアイテム集合
推薦アイテム集合（RS）
＼
パーシー?
ジャクソン
タイタンの
戦い
センター?
オブ?ジ?
アース
スター
ウォーズ
ハリー?
ポッター
セレンディピティなアイテム集合 有?なアイテム集合
[Ge+ 10]](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-64-320.jpg)
![セレンディピティなアイテムの定義 (1)
65
Geらの定義 [Ge+ 10]
(1) ユーザによって未だ発?されておらず，かつ予期されないアイテム
(2) ユーザに興味を起こさせ，妥当かつ有?であるアイテム
AND
Herlockerらの定義 [Herlocker+ 04]
ユーザの興味を広げるきっかけとなったアイテム
? ユーザがこれまで?度も購入してこなかったようなジャンルのア
イテムを推薦によって支持するようになった
? 推薦されたアイテムによってユーザが幸せになった
? 他のアイテムに?べ，?い確率でユーザがその推薦アイテムのリ
ピータになった](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-65-320.jpg)
![セレンディピティなアイテムの定義 (2)
66
未知で自?では発?できなかったであろうが，
提示されて初めて興味をもったアイテム
提示されるまでは興味がなかったが，
提示されて初めて興味をもったアイテム
提示されることにより，
自分自身の興味を広げるきっかけとなったアイテム
奥らの定義 [奥+ 13]
OR
OR](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-66-320.jpg)
![コンテキスト適応推薦方式 [Adomavicius+ 11]
71
データ
U × I × C × R
コンテキスト適応
データ
U × I × R
推薦システム
U × I → R
コンテキスト適応
推薦候補
i1, i2, i3, ...
データ
U × I × C × R
データ
U × I × C × R
推薦システム
U × I → R
コンテキスト統合
推薦システム
U × I × C → R
コンテキスト適応
推薦候補
i1, i2, i3, ...
コンテキスト適応
推薦候補
i1, i2, i3, ...
推薦候補
i1, i2, i3, ...
コンテキスト
事前フィルタリング
コンテキスト
事後フィルタリング
コンテキスト
統合モデリング
c
u
c
u
c
u](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-71-320.jpg)
![位置情報推薦
72
? 位置情報（Location）：
ホテルやレストラン，博物館，店など，ユーザが興味をも
つ特定の機能を有する地点
? 位置情報推薦（Location Recommendation）：
ユーザの要求を満たし，興味を満足させる位置情報を推薦
Gaoらの定義 [Gao+ 14]
※Location = POI (Point Of Interest; 関心地点) とよぶことも多い](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-72-320.jpg)
![協調型位置情報推薦 [Ye+ 11]
73
位置情報
友人リンク
? 位置d, eに訪れた?は，位置fにも訪れています
? 友?のBobは，位置bにも訪れています
? 興味のある地域の近くでは，位置cがお薦めです
Carolの推薦例
Alice Bob Carol Dave
ee
aa
bb
dd
cc
f
チェックイン
ユーザ](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-73-320.jpg)
![グループ推薦の実現?式 [Berkovsky+ 10]
75
推薦
システム
Alice
Bob
Carol
ユーザモデル
グループモデル
集約
候補 aa bb
推薦アイテム
集約モデル方式
Alice
Bob
Carol
ユーザモデル
推薦システム
推薦システム
推薦システム
推薦候補
推薦候補
推薦候補
集約
候補
aa bb
推薦アイテム
集約候補方式](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-75-320.jpg)
![発?性を考慮した協調フィルタリング
[Hijikata+ 09]
80
aa bb cc
Alice 5 ? ?
Bob 3 1 2
Carol 4 3 4
ユーザ-アイテム評価値?列
既知 ? 1 / 未知 ? 0
aa bb cc
Alice 1 0 ?
Bob 1 0 0
Carol 0 1 1
ユーザ-アイテム既知/未知?列
知らないかつ好みのアイテムを予測](https://image.slidesharecdn.com/20150721recsys-150721143927-lva1-app6892/85/-80-320.jpg)
![[論文解説]KGAT:Knowledge Graph Attention Network for Recommendation](https://cdn.slidesharecdn.com/ss_thumbnails/kgat-190730070224-thumbnail.jpg?width=560&fit=bounds)
More Related Content
What's hot (20)
Viewers also liked (12)
More from Kenta Oku (13)
情报推荐システム入门：讲义スライド
- 2. 2 自分の経験の中では，あまりよく知らないものの中から， どれかを選択しなければならないことはよくある． It is often necessary to make choices without sufficient personal experience of the alternatives. [Resnick+ 97]
- 3. 3 このようなときには，我々は他者からの推薦に頼るという ことを日常的に?っている．?コミや推薦状，新聞の映画 評，書評，レストランガイドなどがそうである． In everyday life, we rely on recommendations from other people either by word of mouth, recommendation letters, movie and book reviews printed in newspapers, or general surveys such as Zagat‘s restaurant guides. [Resnick+ 97]
- 4. 4 情報推薦システムは，こうした社会で普通に?われている ?連の?為を補助したり，促進したりするものである． Recommender systems assist and augment this natural social process. [Resnick+ 97]
- 5. 情報推薦システム（Amazon.co.jp） 5 スクリーンショット（2015/7/17）? 1996-2015, Amazon.com, Inc. 特定のユーザの好 みに合った商品の 推薦
- 7. 情報推薦システム（iTunes Store） 7 スクリーンショット（2015/7/17）：? 2015 Apple Inc. 新着楽曲の 推薦
- 8. 情報推薦システム（YouTube） 8 スクリーンショット（2015/7/17）： ? 2015 YouTube, LLC 関連動画の推薦
- 11. 本日の講義内容 11 情報推薦システムの基本方式 ?嗜好をどのように予測しているのか？? 第 I 部 情報推薦システムの評価 ?嗜好の予測?法は正しいのか？? 第 II 部 先端的トピック ?多様化する利?場?での嗜好予測? 第 III 部
- 13. 協調フィルタリング 13
- 15. Aliceはアイテムeを好む？ 15 ユーザ-アイテム評価値?列 eeaa bb cc dd Alice 5 3 4 4 ? Bob 3 1 2 3 3 Carol 4 3 4 3 5 Dave 3 3 1 5 4 Ellen 1 5 5 2 1 Aliceと他のユーザの 評価履歴を基に， Aliceのアイテムeへの 評価値を予測 嫌い 1 <- -> 5 好き
- 16. Aliceと嗜好が類似するユーザを?つける 16 aa bb cc dd Alice 5 3 4 4 Bob 3 1 2 3 Carol 4 3 4 3 Dave 3 3 1 5 Ellen 1 5 5 2 Aliceが評価済みのアイテム への評価付け傾向が類似する ユーザを?つける
- 17. AliceとBobの類似度 17 aa bb cc dd Alice 5 3 4 4 Bob 3 1 2 3 4.00 2.25 平均評価値 sim , = ∑ , ? , ?∈ ∑ , ?∈ ∑ , ?∈ ピアソンの相関係数によるユーザ類似度 , ：ユーザ のアイテム への評価値 ：ユーザ の平均評価値
- 18. Aliceと各ユーザ間のユーザ類似度 18 ユーザ-アイテム評価値?列 eeaa bb cc dd Alice 5 3 4 4 ? Bob 3 1 2 3 3 Carol 4 3 4 3 5 Dave 3 3 1 5 4 Ellen 1 5 5 2 1 1.00 0.85 0.71 0.00 -0.79 類似ユーザ Aliceとの 類似度 > 閾値 > 閾値
- 19. AliceとBob, Ellenの評価付け傾向と ピアソンの相関係数 19 0 1 2 3 4 5 a b c d 評価値 アイテム Alice Bob Ellen -0.79 0.85
- 20. Aliceのアイテムeへの評価値を予測 20 ユーザ-アイテム評価値?列 eeaa bb cc dd Alice 5 3 4 4 ? Bob 3 1 2 3 3 Carol 4 3 4 3 5 1.00 0.85 0.71 Aliceとの 類似度 4.0 2.4 平均 評価値 3.8 類似ユーザのアイテムeへの評価値の加重平均を算出
- 22. ユーザベース協調フィルタリング 22 (1) 評価値?列を基に各ユーザ間の類似度を算出し， 類似ユーザを選択 (2) 類似ユーザの評価値に基づき， 対象ユーザの対象アイテムへの評価値を予測 (3) ?い评価値が予测されたアイテムを推荐候补とする
- 24. 大規模オンラインショッピングサイト 24 スクリーンショット（2015/7/17）? 1996-2015, Amazon.com, Inc. どのように実現している？ Amazon.co.jp
- 25. 予めアイテム間の類似度を算出 25 アイテム類似度?列 eeaa bb cc dd 1.00 -0.94 -0.55 0.27 -0.94 1.00 0.62 -0.36 -0.91 -0.55 0.62 1.00 -0.88 -0.76 0.27 -0.36 -0.88 1.00 0.43 0.80 -0.91 -0.76 0.43 1.00ee aa bb cc dd 0.80 アイテムaを好む?は アイテムbも好む
- 26. アイテムaとアイテムeの類似度 26 eeaa Alice 5 ? Bob 3 3 Carol 4 5 Dave 3 4 Ellen 1 1 4.0 2.4 平均 評価値 3.8 3.2 2.8 調整コサイン類似度 sim , = ∑ , ? , ?∈ ∑ , ?∈ ∑ , ?∈ , ：ユーザ のアイテム への評価値 ：ユーザ の平均評価値
- 29. 協調フィルタリングの利点と欠点 29 利点 ? ?分な評価履歴や購入履歴があれば，?較的?い精度 での推薦が可能 ? アイテムの内容を解析する必要がない 欠点 ? 評価履歴や購入履歴が乏しいドメイン（?や不動産な ど）やコミュニティでは適?が困難 ? ユーザベース?式の場合，新規ユーザには対応できな い（コールドスタート問題） ? ユーザーベース?式，アイテムベース?式共に，新規 アイテムには対応できない ? より詳細なユーザ嗜好を反映できない
- 32. データの疎性（sparcity）問題 32 ユーザ-アイテム評価値?列 推薦システムにおいて扱う 全アイテム，全ユーザ数に 対して，評価付けされたア イテム数が少なすぎる sparcity = 1 ? ? ：アイテム集合 ：ユーザ集合 ：評価値集合
- 33. 内容に基づくフィルタリング 33
- 34. Aliceが好む映画はどれ？ タイトル ジャンル 監督 主演俳優 年 アバター SF J. キャメロン S. ワーシントン 2009 ジュラシック?パーク SF S. スピルバーグ S. ニール 1993 ターミネータ― SF J. キャメロン A. シュワルツェネッガー 1984 ハリー?ポッター ファン タジー C. コロンバス D. ラドクリフ 2001 マイノリティ?リポート SF S. スピルバーグ T. クルーズ 2002 ロード?オブ? ザ?リング ファン タジー P. ジャクソン E. ウッド 2001 映画データベース
- 35. Aliceが好む映画はどれ？ タイトル ジャンル 監督 主演俳優 年 アバター SF J. キャメロン S. ワーシントン 2009 ジュラシック?パーク SF S. スピルバーグ S. ニール 1993 ターミネータ― SF J. キャメロン A. シュワルツェネッガー 1984 ハリー?ポッター ファン タジー C. コロンバス D. ラドクリフ 2001 マイノリティ?リポート SF S. スピルバーグ T. クルーズ 2002 ロード?オブ? ザ?リング ファン タジー P. ジャクソン E. ウッド 2001 映画データベース Aliceのユーザプロファイル タイトル ジャンル 監督 主演俳優 年 - SF J. キャメロン - - アイテムの特徴と ユーザプロファイルとのマッチング
- 38. アイテムの特徴抽出?法 38 ...... ...... 記事 イチロー マーリンズ メ ディア レジェン ド トンネル 復調 テキスト解析 音楽 音声解析 製品 属性取得 価格，画素 数，光学ズー ム，液晶サイ ズ，動画撮 影，… スポット 時間解析 対象コンテンツにより?法は様々 画像 画像解析 特徴ベクトル
- 39. アイテムの特徴ベクトル表現 酸味 苦味 0 1 1 a b c def g h i j k 記号 名前 酸味 苦味 a エメラルドマウンテン 0.6 0.5 b キリマンジャロ 0.6 0.6 c グァテマラ 0.8 0.6 d ケニア 1 0.4 e コナ 0.8 0.4 f ジャワ 0.2 0.4 g トラジャ 0.4 0.6 h ブラジル 0.4 0.3 i ブルーマウンテン 0.6 0.3 j マンデリン 0.4 0.8 k モカ 0.9 0.3 コーヒーデータベース 特徴空間 j = (0.4, 0.8) 2次元空間の場合 ?つのアイテムを?つのベクトルで表現
- 41. Aliceはコーヒーk, hを好むか？ 41 a b c def g h i j k 好きなコーヒー 嫌いなコーヒー
- 45. Support Vector Machine (SVM) による予測 45 a c def g i 好きなコーヒー 嫌いなコーヒー 特徴空間上で，好きなアイテムと嫌いなアイテムを 最もよく分離する識別平?を?つける
- 46. Support Vector Machine (SVM) による予測 46 a c def g i 好きなコーヒー 嫌いなコーヒー 識別平?からどちら側に配置されるかにより， 未評価アイテムへの嗜好を予測 最適な識別平? b h j k コーヒーb, jは 嫌うだろう コーヒーkは 好むだろう 好きな領域 嫌いな領域
- 47. 内容に基づくフィルタリングの利点と欠点 47 利点 ? 新規アイテムであっても推薦対象に含めることが可能 ? 対象ユーザ自身のユーザプロファイルさえあれば， 推薦可能 ? より詳細なユーザ嗜好を反映可能 ? 推薦の質がシステムの利?者数に影響されない 欠点 ? アイテムの特徴抽出が推薦の質に影響を与える ? ユーザプロファイルの獲得が推薦の質に影響を与える ? 新規ユーザのコールドスタート問題
- 48. アイテムベース協調フィルタリング vs. 内容に基づくフィルタリング 48 協調 内容 アイテムの特徴抽出 - 必要 ユーザプロファイルの獲得 - 必要 評価値?列の獲得 必要 - より詳細なユーザ嗜好の反映 不可 可 新規アイテムの コールドスタート問題 発生 - 新規ユーザの コールドスタート問題 発生-
- 49. ハイブリッド型推薦システム 49
- 50. ハイブリッド型推薦システム 協調 内容 アイテムの特徴抽出 - 必要 ユーザプロファイルの獲得 - 必要 評価値?列の獲得 必要 - より詳細なユーザ嗜好の反映 不可 可 新規アイテムの コールドスタート問題 発生 - 新規ユーザの コールドスタート問題 発生- 各々の強みを生かすように複数の推薦システムを組み合わせる ハイブリッド化
- 54. 54 ? 推薦精度 ? 適合率?再現率 ? ユーザ評価 ? 新規性，意外性，セレンディピティ 情報推薦システムの評価 ?嗜好の予測?法は正しいのか？? 第 II 部
- 55. 基本的な推薦精度評価 55 好き 好き 好き 好き 好き 好き 嫌い 嫌い 嫌い 嫌い 推薦精度 = 3 / 5 = 0.6 ユーザ評価 システム予測
- 57. 平均絶対誤差（MAE; Mean Absolute Error） 平均絶対誤差 MAE = ∑ ∑ rec , ? ,∈testset∈ ∑ testset∈ MAE = 3 / 5 = 0.6 *0に近いほど高精度 ユーザ 評価値 システム 予測値 アイテム 誤差の 絶対値 55 55 33 44 22 44 55 33 33 33 1 0 0 1 1 ：ユーザ集合 testset ：ユーザ のテスト集合 rec , ：ユーザ のアイテム への予測値 , ：ユーザ のアイテム への評価値
- 60. 質問例 60 評価尺度 質問 推薦精度 推薦されたアイテムは私の興味に合っていた 推薦新規性 推薦されたアイテムは私にとって新しい 推薦多様性 推薦されたアイテムは多様であった インタフェース妥当性 このシステムのインタフェースは分かりやすかった 説明性 このシステムは私に本の推薦理由を説明してくれた 総合満?度 私は全体としてこのシステムに満足している システム信頼度 このシステムは私にとって信頼できる システム利?意図 私はこのシステムをまた利?したい セレンディピティ このシステムは私に新しい興味に気付かせてくれたり， 新たな発?を与えてくれたりした 以下の質問について，5段階で回答してもらう 5：強くそう思う, 4：そう思う, 3：どちらともいえない, 2：そうは思わない, 1：まったくそうは思わない [Pu+ 11]
- 61. 評価尺度間の関係性 61 説明性 インタラクション 妥当性 推薦精度 推薦 新規性 推薦 多様性 情報 充足性 インタフェース 妥当性 透過性 制御性 知覚 有?性 知覚 簡便性 システム 信頼度 総合 満足度 アイテム 購入意図 システム 利?意図 ユーザ知覚品質 ユーザ信頼度 ユーザ態度 ?動意図 [Pu+ 11]
- 65. セレンディピティなアイテムの定義 (1) 65 Geらの定義 [Ge+ 10] (1) ユーザによって未だ発?されておらず，かつ予期されないアイテム (2) ユーザに興味を起こさせ，妥当かつ有?であるアイテム AND Herlockerらの定義 [Herlocker+ 04] ユーザの興味を広げるきっかけとなったアイテム ? ユーザがこれまで?度も購入してこなかったようなジャンルのア イテムを推薦によって支持するようになった ? 推薦されたアイテムによってユーザが幸せになった ? 他のアイテムに?べ，?い確率でユーザがその推薦アイテムのリ ピータになった
- 69. 69 ? コンテキストアウェア推薦システム ? 位置情報推薦 ? グループ推薦 ? 新規性，意外性，セレンディピティの向上 先端的トピック ?多様化する利?場?での嗜好予測? 第 III 部
- 70. コンテキストアウェア推薦システム 70 従来の推薦システム ユーザプロファイルを基に，対象アイテムへの評価値を予測 Users × Items → Ratings コンテキストアウェア推薦システム ユーザプロファイルおよびコンテキスト情報を基に，対象アイテ ムへの評価値を予測 Users × Items × Contexts → Ratings 推薦システムが利?される状況（コンテキスト）に適応し たアイテムを推薦 例；休日に??で?事 ? 落ち着けるカフェ クリスマスに恋?と?事 ? おしゃれなイタリアンレストラン
- 71. コンテキスト適応推薦方式 [Adomavicius+ 11] 71 データ U × I × C × R コンテキスト適応 データ U × I × R 推薦システム U × I → R コンテキスト適応 推薦候補 i1, i2, i3, ... データ U × I × C × R データ U × I × C × R 推薦システム U × I → R コンテキスト統合 推薦システム U × I × C → R コンテキスト適応 推薦候補 i1, i2, i3, ... コンテキスト適応 推薦候補 i1, i2, i3, ... 推薦候補 i1, i2, i3, ... コンテキスト 事前フィルタリング コンテキスト 事後フィルタリング コンテキスト 統合モデリング c u c u c u
- 72. 位置情報推薦 72 ? 位置情報（Location）： ホテルやレストラン，博物館，店など，ユーザが興味をも つ特定の機能を有する地点 ? 位置情報推薦（Location Recommendation）： ユーザの要求を満たし，興味を満足させる位置情報を推薦 Gaoらの定義 [Gao+ 14] ※Location = POI (Point Of Interest; 関心地点) とよぶことも多い
- 73. 協調型位置情報推薦 [Ye+ 11] 73 位置情報 友人リンク ? 位置d, eに訪れた?は，位置fにも訪れています ? 友?のBobは，位置bにも訪れています ? 興味のある地域の近くでは，位置cがお薦めです Carolの推薦例 Alice Bob Carol Dave ee aa bb dd cc f チェックイン ユーザ
- 75. グループ推薦の実現?式 [Berkovsky+ 10] 75 推薦 システム Alice Bob Carol ユーザモデル グループモデル 集約 候補 aa bb 推薦アイテム 集約モデル方式 Alice Bob Carol ユーザモデル 推薦システム 推薦システム 推薦システム 推薦候補 推薦候補 推薦候補 集約 候補 aa bb 推薦アイテム 集約候補方式
- 76. 重み付けモデル 76 Uniform model 均等に重み付け 11 11 11 Heuristic model 常識的に定義 0.5 0.3 0.1 Role-based model 他の家族内の役割を参照して重み付 け 0.1 0.5 0.7 Family-log model 家族内の活動度に基づき重み付け 0.1 0.6 0.3 Pre-defined model Interaction-based model 誰の嗜好を重視するか？
- 77. Extreme case heuristics 77 11 00 大好き！ 普通 嫌い！ 最大幸福法 ??でも大好きなメンバがいる場合は推薦する 00 00 00 11 好き！ 大好き！ 大嫌い！ 最?不幸法 ??でも大嫌いなメンバがいる場合は推薦しない 極端な好き嫌いがある場合
- 79. 推薦リスト内類似度（ILS）に基づく多様性評価 79 推薦リストA 推薦リストB - 0.8 0.7 0.9 - 0.7 0.8 - 0.7 - - 0.1 0.2 0.1 - 0.2 0.3 - 0.1 - ILS = 0.77 ILS = 0.17 推薦リストがどの程度多様なアイテムを含んでいるか 多様性あり多様性なし
- 80. 発?性を考慮した協調フィルタリング [Hijikata+ 09] 80 aa bb cc Alice 5 ? ? Bob 3 1 2 Carol 4 3 4 ユーザ-アイテム評価値?列 既知 ? 1 / 未知 ? 0 aa bb cc Alice 1 0 ? Bob 1 0 0 Carol 0 1 1 ユーザ-アイテム既知/未知?列 知らないかつ好みのアイテムを予測
- 82. まとめ 82 情報推薦システムの基本方式 ?嗜好をどのように予測しているのか？? 第 I 部 情報推薦システムの評価 ?嗜好の予測?法は正しいのか？? 第 II 部 先端的トピック ?多様化する利?場?での嗜好予測? 第 III 部
- 83. まとめ 83 第 I 部 第 II 部 第 III 部 ? 協調フィルタリング ? 内容に基づくフィルタリング ? ハイブリッド型推薦システム ? 推薦精度 ? 適合率?再現率 ? ユーザ評価 ? 新規性，意外性，セレンディピティ ? コンテキストアウェア推薦システム ? 位置情報推薦 ? グループ推薦 ? 新規性，意外性，セレンディピティの向上
- 84. 今後の注目トピック 84 ?特定ドメインの内容に基づくフィルタリング ? 例；楽曲推薦，観光情報推薦，経路推薦 ?クロスドメイン推薦システム ? 例；映画ドメインのプロファイルから書籍ドメイン の嗜好を予測 ?ユーザインタラクティブな情報推薦システム ? 例；インタラクティブな観光情报推荐
- 85. 参考?献 ? G. Adomavicius, B. Mobasher, F. Ricci, and A. Tuzhilin. Context-aware recommender systems. AI Magazine, 32(3), 2011. ? S. Berkovsky and J. Freyne, “Group-based recipe recommendations: analysis of data aggregation strategies,” in Proceedings of the fourth ACM conference on Recommender systems, 2010, pp. 111–118. ? H. Gao, J. Tang, X. Hu, and H. Liu, “Exploring temporal effects for location recommendation on location-based social networks,” in Proceedings of the seventh ACM conference on Recommender systems, 2013, pp. 93–100. ? M. Ge, C. Delgado-Battenfeld, and D. Jannach, “Beyond accuracy: evaluating recommender systems by coverage and serendipity,” in Proceedings of the fourth ACM conference on Recommender systems, 2010, pp. 257–260. ? Y. Hijikata, T. Shimizu, and S. Nishida, “Discovery-oriented collaborative filtering for improving user satisfaction,” in Proceedings of the 14th international conference on Intelligent user interfaces, 2009, pp. 67– 76. ? J. L. Herlocker, J. A. Konstan, L. G. Terveen, and J. T. Riedl, “Evaluating collaborative filtering recommender systems,” ACM Trans. Inf. Syst., vol. 22, no. 1, pp. 5–53, 2004. ? G. Linden, B. Smith, and J. York, “Amazon.com Recommendations: Item-to-Item Collaborative Filtering,” IEEE Internet Computing, 2003. ? T. Murakami, K. Mori, and R. Orihara, “Metrics for evaluating the serendipity of recommendation lists,” New Front. Artif. Intell. Lect. Notes Comput. Sci., vol. 4914/2008, pp. 40–46, 2008. ? P. Pu and L. Chen, “A User-Centric Evaluation Framework for Recommender Systems,” in Proceedings of the fifth ACM conference on Recommender systems, 2011, pp. 157–164. ? P. Resnick and H. R. Varian, “Recommender systems,” Commun. ACM, vol. 40, no. 3, pp. 56–58, 1997. ? M. Ye, P. Yin, W. C. Lee, and D. L. Lee, “Exploiting geographical influence for collaborative point-of-interest recommendation,” in Proceedings of the 34th international ACM SIGIR conference on Research and development in Information, 2011, pp. 325–334. ? 奥健太 & 服部?夫: セレンディピティ指向情報推薦のためのフュージョンベース推薦システム, 知能と情報（日本知能情 報ファジィ学会誌）- 特集：WebインテリジェンスとインタラクションII -, Vol.25, No.1, pp.524-539, 2013. 85
- 86. 解説記事，書籍 ? 土?嘉徳：推薦システムのオフライン評価手法，?工知能学会学会誌，Vol. 29，No. 6，pp. 658-689, 2014. ? 土?嘉徳：推薦システムにおけるインタラクション研究へのいざない，ヒューマンインタフェース学会誌，Vol.15, No.3, pp.3-6, 2013. ? 土?嘉徳：嗜好抽出と情報推薦技術，情報処理学会誌，Vol.48, No.9, pp.957-965, 2007. ? 土?嘉徳：情報推薦?情報フィルタリングのためのユーザプロファイリング技術，?工知能学会誌，Vol.19, No.3, pp.365–372, 2004. ? 神嶌 敏弘, 推薦システム, http://www.kamishima.net/archive/recsys.pdf ? 神嶌 敏弘 “推薦システムのアルゴリズム (3)” ?工知能学会誌, vol.23, no.2, pp.248-263 (2008) ? 神嶌 敏弘 “推薦システムのアルゴリズム (2)” ?工知能学会誌, vol.23, no.1, pp.89-103 (2008) ? 神嶌 敏弘 “推薦システムのアルゴリズム (1)” ?工知能学会誌, vol.22, no.6, pp.826-837 (2007) ? 奥健太: セレンディピティ指向情報推薦の研究動向, 知能と情報（日本知能情報ファジィ学会誌）- 特集：Webインテリ ジェンスとインタラクションII -, Vol.25, No.1, pp.2-10, 2013. ? 田中克己; 角谷和俊(監訳); 奥健太; 北?大輔; 手塚太郎; 牛尼剛聡; 中島伸介; 土?嘉徳; 湯本??; 河合由起子; 原田史 子 & 木村?則(訳): 情報推薦システム入門―理論と実践―, 共?出版, pp.384 pages, 2012. 86