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