Upgrade to Pro — share decks privately, control downloads, hide ads and more …

[IR Reading 2022春 論文紹介] Personalized Transfer o...

[IR Reading 2022春 論文紹介] Personalized Transfer of User Preferences for Cross-domain Recommendation (WSDM 2022) /IR-Reading-2022-spring

Published on May 21, 2022
IR Reading 2022春(オンライン) 開催案内 - ACM SIGIR 東京支部: https://sigir.jp/post/2022-05-21-irreading_2022spring/

論文:
Zhu et al., Personalized Transfer of User Preferences for Cross-domain Recommendation, WSDM 2022, https://dl.acm.org/doi/10.1145/3488560.3498392, (arXiv: https://arxiv.org/abs/2110.11154)

Kohei Shinden

May 21, 2022
Tweet

More Decks by Kohei Shinden

Other Decks in Research

Transcript

  1. [論⽂紹介] Personalized Transfer of User Preferences for Cross-domain Recommendation Yongchun

    Zhu, Zhenwei Tang, Yudan Liu, Fuzhen Zhuang, Ruobing Xie, Xu Zhang, Leyu Lin, Qing He WSDM 2022 論⽂紹介する⼈ 筑波⼤学加藤研究室 新⽥洸平 https://sites.google.com/view/kohei-shinden ※スライド中の図は論⽂より引⽤ 2022年5⽉21⽇ IR Reading 2022 春 セッション 1 No.1
  2. どんな論⽂? 2 • コールドスタート問題に有効なクロスドメイン推薦⼿法において ユーザことにパーソナライズしたブリッジ関数を⽤いる⼿法を提案 主な貢献 1. ユーザごとにパーソナライズした ブリッジ関数を学習する⼿法を提案 2.

    推薦タスク指向の最適化を採⽤すること でメタネットワーク学習を安定化 3. コールドスタートだけでなくウォーム スタートにも有効であることを実証 既存⼿法 提案⼿法 全てのユーザに共通のブリッジ関数 ユーザごとにパーソナライズしたブリッジ関数
  3. • ソースドメインからターゲットドメインへユーザの興味を 伝達するために転移学習を⽤いたブリッジ関数を適⽤ 既存のクロスドメイン推薦における主な⼿法 5 ユーザA (本のドメインでは既存) ユーザA (映画のドメインでは新規) ソースドメイン

    ターゲットドメイン ユーザの興味を 別ドメインへ転移する … … ソースドメインでのユーザ特徴 ソースドメインの特徴を変換した ターゲットドメインでのユーザ特徴 特徴量空間へ 埋め込む ターゲットドメインでの 特徴量の初期値として利⽤ ブリッジ関数 𝒇(#) 同じユーザ
  4. ソースドメイン ターゲットドメイン • ブリッジ関数が単⼀でありユーザごとに異なるソースドメインと ターゲットドメイン間の複雑な興味の関係性を正確に捉えられない 既存のクロスドメイン推薦における課題 6 ユーザA … ユーザAの特徴量

    ユーザB … ユーザBの特徴量 ユーザC … ユーザCの特徴量 … ユーザA ユーザAの変換特徴量 … ユーザB ユーザBの変換特徴量 … ユーザC ユーザCの変換特徴量 ブリッジ関数 𝒇(#) 全てのユーザは単⼀の ブリッジ関数を利⽤ ドメイン間の複雑な 興味の関係を捉えられず 性能低下につながる
  5. • ドメイン間で異なるユーザごとの興味の関係性を捉えるために ユーザごとにパーソナライズしたブリッジ関数を実現 ⽬的と提案⼿法の概要 7 ソースドメイン ターゲットドメイン ユーザA … ユーザAの特徴量

    ユーザB … ユーザBの特徴量 ユーザC … ユーザCの特徴量 … ユーザA ユーザAの変換特徴量 … ユーザB ユーザBの変換特徴量 … ユーザC ユーザCの変換特徴量 ブリッジ関数 𝒇𝐀 (#) ブリッジ関数 𝒇𝐁 (#) ブリッジ関数 𝒇𝐂 (#)
  6. • ブリッジ関数をユーザごとにパーソナライズするために ソースドメインからの特徴量エンコーダとメタ学習を採⽤ 提案⼿法の全体構成 8 ソースドメイン ターゲットドメイン パーソナライズされた ブリッジ関数 ソースドメインの

    ユーザ埋め込み ソ " ス ド メ イ ン に お い て ユ " ザ が 消 費 し た ア イ テ ム 特 徴 量 ユーザごとの 伝達特徴量 Attention ベースの 特徴量エンコーダ 変換した ユーザ特徴量 アイテム 特徴量 内積 メタネットワーク
  7. • 推薦タスク指向のメタ学習によってドメイン間で ユーザの興味を伝達するブリッジ関数をパーソナライズ 推薦タスク指向のメタ学習 10 推薦タスク指向損失 min !,# 1 |ℛ$

    % | ' &!"∈ℛ# $ (𝑟)* − 𝑓+! 𝑢) ,; 𝑤+! 𝑣* )- 誤差が最⼩化されるようにパラメータ 𝜽, 𝝓 を更新 • ℛ% & : ターゲット・ソースに共通するユーザの ターゲットにおけるユーザ・アイテム評価値⾏列 • 𝑟'( : ユーザ・アイテム評価値 • 𝑢' ): ソースユーザ, 𝑣( : アイテム
  8. • RQ1. コールドスタート設定でどの程度の性能を発揮するか? →SOTA を⼤幅に上回りコールドスタート問題に有効 • RQ2. より実⽤的なシナリオでどのように機能するか? →既存のモデルにも適⽤できてウォームスタートでも性能を発揮 •

    RQ3. なぜ提案⼿法は性能向上するのか? →パーソナライズしたブリッジ関数や Attention ベースの特徴量 エンコーダが⼤きく貢献していることが分析からわかった リサーチクエスチョン 11
  9. • Amazon レビューデータセットを⽤いた推薦タスクによる評価実験 実験設定 12 タスク1 映画 ⾳楽 タスク2 本

    映画 タスク3 本 ⾳楽 ソ " ス タ " ゲ & ト • 0~5 のアイテムに対する評価値が含まれている • 評価指標は MAE, RMSE による予測誤差の⼤きさ で評価→値が⼩さければより性能が良い Overlap はソース・ ターゲットドメインに 共通のユーザ クロスドメイン推薦タスク
  10. • ターゲットドメインに変換した埋め込みを可視化することで 提案⼿法がより正解に近い表現を学習していることがわかった 実験結果: RQ3.なぜ提案⼿法は性能向上するのか? 16 Scikit-learn の t-SNE でタスク3における

    SOTA⼿法, 提案⼿法 の ターゲットドメインのユーザ埋め込みを β = 0.2 で可視化 既存の SOTA 提案⼿法 • ⻘い点: Train, Test 両⽅のユーザを⽤いて学習した ターゲットモデルから取り出した埋め込み(正解データ) • オレンジの点:変換後の埋め込み 変換後の埋め込みが 集中してしまっている 変換後の埋め込みが 正解によく適合
  11. まとめ 17 • コールドスタート問題に有効なクロスドメイン推薦⼿法において ユーザことに異なるブリッジ関数を⼿法を提案 既存⼿法 提案⼿法 全てのユーザに共通のブリッジ関数 ユーザごとに異なるブリッジ関数 •

    RQ1. コールドスタート設定でどの程度の 性能を発揮するか? →SOTA を⼤幅に上回りコールドスタート 問題に有効 • RQ2. より実⽤的なシナリオでどのように 機能するか? →既存のモデルにも適⽤できてウォームス タートでも性能を発揮 • RQ3. なぜ提案⼿法は性能向上するのか? →パーソナライズしたブリッジ関数や Attention ベースの特徴量エンコーダが⼤ きく貢献していることが分析からわかった
  12. • 𝜽 はソースドメインからユーザの興味を伝達特徴量として 埋め込むための Attention ネットワークのパラメータ 推薦タスク指向のメタ学習: θ 19 誤差が最⼩化されるようにパラメータ

    𝜽, 𝝓 を更新 伝達特徴量 𝒑*! = ) +" #∈-$! 𝑎( 𝑣( ) Attention スコア 𝑎( = exp(𝑎′( ) ∑ +% #∈-$! exp(𝑎′. ) 推薦タスク指向損失 min !,# 1 |ℛ$ % | ' &!"∈ℛ# $ (𝑟)* − 𝑓+! 𝑢) ,; 𝑤+! 𝑣* )- 伝達特徴量 Attention Network 𝑎′( = ℎ(𝑣( ; 𝜃) 𝒗 はアイテム特徴 𝑺 はソースドメイン
  13. • 𝝓 はブリッジ関数をパーソナライズするためのパラメータ 推薦タスク指向のメタ学習: φ 20 誤差が最⼩化されるようにパラメータ 𝜽, 𝝓 を更新

    推薦タスク指向損失 min !,# 1 |ℛ$ % | ' &!"∈ℛ# $ (𝑟)* − 𝑓+! 𝑢) ,; 𝑤+! 𝑣* )- 伝達特徴量 ブリッジ関数のパラメータ 𝑤+! = 𝑔(𝑝+! ; 𝜙) 変換したユーザ特徴量 5 𝑢) % = 𝑓+! 𝑢) ,; 𝑤+! メタネットワークによる パラメータ⽣成 パーソナライズされた ブリッジ関数
  14. • ケーススタディより Attention ベースの特徴量エンコーダは アイテムごとに異なる貢献度をよく捉えられている 実験結果: RQ3.なぜ提案⼿法は性能向上するのか? 21 左の例におけるクロスドメイン推薦の⽬標 CD

    を購⼊したことがない ユーザに対してユーザの映画の インタラクションを使って CD を推薦 ⾊の濃さは Attentionにおける 注⽬度の⾼さ • Attention によってソースドメインの 異なるアイテムの重要度を適切に モデル化できていることが性能向上の 要因と考えられる SF ドラマ コメディ ハードロック