« ACM RecSys2010 勉強会のノート(セッション5) | トップページ | ACM RecSys2010 勉強会のノート(セッション7) »

ACM RecSys2010 勉強会のノート(セッション6)

国際会議ACM Recommender Systems 2010 (RecSys 2010)の勉強会のノートです.論文紹介は,論文タイトル下の発表者がされ,下記は私が書いたノートです.今回紹介するのは,「All about gourps」のセッションです.いずれの発表も面白いものでした.

6-1は,コミュニティの推薦で,Social networkとaffiliation network(ユーザ×コミュニティ)の両方を使うというものです.非常に面白いアイディアだと思います.6-2は,グループベースの推論で代表手法であるAggregated modelsとAggregated predictionを比較するというもので,非常に価値のある論文だと思います.6-3は,グループベース推論のうちの,Aggregated predictionに注目し,3つの仮説を検証するというもので,いずれの仮説も面白く,価値のある論文だと思います.
私は,このセッションが最も面白かったように思います.

Session 6: All about groups
6-1 Affiliation recommendation using auxiliary networks
  濱崎雅弘(産業技術総合研究所)
人×グループのネットワークもある.
ユーザにグループを推薦
Social networkとaffiliation networkの両方を使う
affiliation networkとは?コミュニティに参加しているか否か.

ユーザ+グループの行列Cを作成
2種類の手法でaffiliation推薦
(1) 行列Cをランダムウォークした場合のユーザからグループへの遷移のしやすさを求める(Kats CIKM'03)(2) 行列にSVDをかけてユーザとグループの潜在的特徴を求める

評価用データセット,OrkutとYoutube
上位50件を推薦した結果を提示
各ユーザの成功率.(オフラインで実験)
Katzの方が良かった.

affiliation networkを使うだけでなく,social networkも利用した方が良かった.

6-2 Group‐Based Recipe Recommenations: Analysis of Data Aggregation Strategies
  奥健太(立命大)
グループベース推論
レシピの推薦
代表手法であるAggregated modelsとAggregated predictionの比較はこれまでされてこなかった.
Aggregated models:個人モデルを統合しグループモデルを生成.グループモデルに基づいてCFで推薦
Aggregated prediction:個々のモデルからCFにより推薦候補を出す.個別のスコアをグループ向けに集約
どっちが良い?Aggregated models
重みづけモデルも提案
Uniform model:
Heuristic model:常識にしたがい主導で与える
Role-based model 家族内の役割を参照して重みづけ
Family-log model:家族内の活動度に基づき重みづけ
実験結果から,Family-log modelが最も良いことを示している.
Heuristic modelとは?著者が独断で父母子で値を得る
Role-based modelとは,父母子と役割を分担し,他の家族のデータの平均から重みを得る
活動度はどうやって得る?その人の評価データの数.
評価データ密度に応じて推薦手法を切り替える.評価データ密度が小さいデータはAggregated predictionが優れている.評価データ密度が多くなると,Aggregated models
評価データ密度:すべての評価できるアイテムのうち,そのユーザが評価したか?
一人でもめちゃくちゃ嫌いな人がいたら,推薦しない.一人でもむちゃくちゃ好きな人がいたら推薦する.
なぜ,extreme case heuristicsがセレンディピティ向上に影響するの?
 著者の主観,一人のextremeは他人にとってはなじみがないかもしれない.

6-3 Group Recommendations with Rank Aggregation and Collaborative Filtering
  奥健太(立命大)
グループベース推論のうちの,Aggregated predictionに注目.
ランク集約手法に基づいたグループ推薦.
(3つの仮説)
グループ内の人数が多ければ多いほど,グループ内のコンセンサスを得ることは難しい
個人向け推薦の精度はグループ向け推薦の精度より高い
グループ内のメンバの嗜好が類似していればグループ推薦の効果は高くなる

ランク集約手法
ユーザが選んだ順位がある
Spearman footrule 順位間の距離が最小となる順列
Borda cout 順位スコアに応じてランキング
ユーザはratingを付けている

グループの人数と推薦精度には相関はない
個人向け精度が低い時はグループ向け精度の方が高くなる
グループ内類似度と推薦精度とは相関あり

===

ACM RecSys2010 勉強会ノート目次

http://e-biz.cocolog-nifty.com/blog/2010/12/acm-recsys201-1.html

ACM RecSys2010 勉強会 公式HP
http://qwik.jp/recsys-study/

ACM RecSys2010 公式HP
http://recsys.acm.org/2010/

 

|

« ACM RecSys2010 勉強会のノート(セッション5) | トップページ | ACM RecSys2010 勉強会のノート(セッション7) »

Web研究」カテゴリの記事

学会」カテゴリの記事