Recsys2014 recruit
-
Upload
masashi-tsubosaka -
Category
Science
-
view
343 -
download
8
description
Transcript of Recsys2014 recruit
Recsys勉強会2014 Gradient boos4ng factoriza4on machines
坪坂正志 [email protected]
Context-‐aware recommenda4on
• Tradi4onal recommenda4on – ユーザとアイテムのレーティング情報が与えられ
た状況でユーザとアイテムの対に対してレーティングを予測するような関数を学習する
– 代表的な手法にMatrix factoriza4onがある
• Context-‐aware recommenda4on – ユーザとアイテムだけではなく、ユーザのムード
や休日かどうかなどレコメンドのときのcontextも考慮してレコメンドを行う
Factoriza4on machine • Matrix factoriza4onなどfactoriza4onの手法を一般化した
手法 – KDD Cup 2012でSNSでのつながり予測や広告のCTR予測など実
際的なタスクに対しても高い精度を達成している – Rendle, Social networks and click-‐through predic4on with factoriza4on machines, KDDCUP 2012
• 扱うデータはカテゴリ変数を考え、ベクトルで表現する – 例えばユーザが{U1,U2,U3},アイテムが{I1,I2,I3,I4},ムードが{happy,normal,sad}の場合
– U1にI2をムードがhappyなときに推薦する状況ではベクトル表現としては(1,0,0, 0,1,0,0, 1,0,0)のように表現する
• 特徴量からの予測において二次の項まで考慮する – 上の例に置いてはU1*I2, U1*happy, I2 * happyの三つの相互
作用について重みを計算する
yi =
Factoriza4on machine
• 二次の相互作用をそのまますべて重みを求めようとするとパラメータの数が膨大になる
• このため二次の相互作用項w_ijをk次元ベクトルの内積で近似する – n * nの変数の代わりにn*kの変数を利用する
Rendle, Factoriza4on machine, ICDM 2010より
Gradient boos4ng factoriza4on machine
• Factoriza4on machineは相互作用を表現する上では強力な手法ではあるが、あまり予測に寄与しない相互作用までモデルに入れるという問題がある
• そこで本論文では予測に寄与していくような順番で相互作用項を追加していく方法を提案
紹介論文より引用
実験結果
• 既存のPMF(Probabilis4c matrix factoriza4on), FM(Factoriza4on machine)と比較してよい精度がでている
• タスクはtwiWerのようなサービスにおいて、ユーザが提示されたつながりのレコメンドをacceptするかどうかを予測
紹介論文より引用
レビュー
• 新規性・独創性 : 2 – 手法自体は[Chen+ 2013, ICML]のMFにGradient boos4ng algorithmを適応した方法をFMに適応しただけであまり新規性はない
• 有効性・実用性 : 4 – もともとのFMが有効な手法であり – 従来のFMではできなかった有効な二次の項だけ
選択できるようになったという点で実用的といえる