Upload
shamada
View
189
Download
1
Embed Size (px)
Citation preview
Recsys2015 勉強会
HyPER: A Flexible and Extensible Probabilistic Framework for Hybrid Recommender Systems
Pigi Kouki (UC Santa Cruz) et al.
2015/10/17(土)
(株)東芝 浜田伸一郎
Recsys2015 勉強会概要
� 汎用的なハイブリッド推薦フレームワークHyPERを提案
� モデリング言語PSL(Probabilistic Soft Logic)を用いて宣言的にルール記述するだけで,様々な類似指標・外部情報を総合した推論や,外部推薦システムとの予測結果の統合が可能.
Recsys2015 勉強会
� 一階述語論理を連続に拡張した推論システム.HyPERがプラットフォームとして利用.
� 論理の連続化
� 推論
PSL概要
ルール(rhead⇒rbody)における満足な状態からの距離
ロス関数.pは1か2.wはルールへの重み
wを最適化
数式は以下論文から引用Kimmig, Angelika, et al. "A short introduction to probabilistic soft logic." NIPS Workshop on Probabilistic Programming: Foundations and Applications. 2012.
I(・): 原始論理式の解釈値 [0,1]
Recsys2015 勉強会解きたい推薦モデル例
� 予測対象� アイテム・ユーザ間
の欠損Rating値(二部グラフにおける破線部)
� 予測の手がかり� 既存のRating値� アイテム間・ユーザ
間のRatingの類似性
� アイテム間・ユーザ間の内容の類似性
� 外部情報(例: SNS友達リンク,他推薦システム予測値)
図は論文から引用
Recsys2015 勉強会HyPERを用いたレコメンダ実装例
ユーザベース協調フィルタ例.類似指標例としてはkNN(上位k以内か否か),cos,pearsonなど.類似性ルールを複数記述すれば,複数指標の混合も可能.
Mean-Centering Priors.Average…は該ユーザの採点値平均を[0,1]尺度で返す関数とする.
外部情報援用.Friendsはu1・u2間でSNS友達リンクがあれば真を返す二値関数とする.
コンテンツベース推薦.ここではユーザのデモグラフィック類似性から推論.
他推薦システム予測値との混合. 数式は論文から引用
� 実装方法� (基本的に)ルールを作成列挙するだけ.ただし値域[0,1]を持つ連続値また
はブールとして実装すること.
� フレームワークシステムは各ルールの重みを調整する.
� 記述例
Recsys2015 勉強会推薦システムの評価実験
� データセット� Yelp ローカル事業推薦タスク.友人リンク・事業カテゴリ名あり.
� Last.fm アーティスト推薦タスク.友人リンク・タグ名あり.
� 実験結果� 既存手法(単体モデル・ハイブリッドモデル)のいずれの性能も凌駕した
MF: Matrix factorization,BPMF-SRIC: Bayesian probabilistic matrix factorization,Naïve: 単純平均混合,BPMF-SRIC: BPMF with social relations and items' content
表は論文から引用
Recsys2015 勉強会レビュー
� 新規性・独創性[4/5]
� テンプレート言語で柔軟にモデリングできるフレームワークは情報推薦分野では新規的.作者によると初
� ただし貢献の多くはPSLによるものであるため-1
� 有効性・重要性[4/5]
� 開発コストの観点から有用性が期待できる
� いくつかの既存アプローチに対する性能上の優位性を実証している
� (参考)公開されているHyPERシステムのソースコード
� groovyで書かれたPSL利用プログラム
� フレームワークというよりPSLの推薦応用向けサンプルに近い