1.
佃 洸摂（産業技術総合研究所）
Twitter: @ktsukuda
RecSys2019論文読み会 (2019. 10. 5)
DualDiv:
Diversifying Items and Explanation Styles
in Explainable Hybrid Recommendation

2.
佃の研究トピック 2
ユーザ生成コンテンツ
音楽コンテンツ
を対象とした検索・推薦・分析
UGC推薦 (SIGIR’19) コラボ分析 (ICWSM’18)
歌詞検索 (ISMIR’17) 派生要因推定 (CIKM’16)
詳細：http://ktsukuda.me/research_topic/

3.
Motivational Example 4
1位
rock
The Beatles
band
アーティストベース
人気度ベース
アーティスト：非多様化
推薦理由：非多様化
2位
rock
Muse
band
アーティストベース
3位
rock
Queen
band
アーティストベース
人気度ベース
今はpopに関連する
アーティストを
聴きたいな…

4.
Motivational Example 5
1位
rock
The Beatles
band
アーティストベース
人気度ベース
アーティストベースと
タグベースの推薦理由は
説得力に欠けるな…
アーティスト：多様化
推薦理由：非多様化
2位
pop
Spice Girls
90s
3位
pop
Avril Lavigne
punk
アーティストベース
タグベース
アーティストベース
タグベース

5.
Motivational Example 6
1位
rock
The Beatles
band
アーティストベース
人気度ベース
友人ベースの推薦理由は
説得力があるから
Avril Lavigneを聴こう！
アーティスト：多様化
推薦理由：多様化
2位
pop
Spice Girls
90s
3位
pop
Avril Lavigne
punk
アーティストベース
友人ベース
ユーザベース
タグベース

6.
目的 7
1位
rock
The Beatles
band
アーティストベース
人気度ベース
友人ベースの推薦理由は
説得力があるから
Avril Lavigneを聴こう！
2位
pop
Spice Girls
90s
3位
pop
Avril Lavigne
punk
アーティストベース
友人ベース
ユーザベース
タグベース
アイテムと推薦理由の両方を多様化することで
ユーザが少なくともひとつのアイテムを気に入る確率を上げる

7.
技術的課題 8
推薦理由の候補集合が与えられたときに
推薦理由の多様性を最大化するk個をどのように選択するか
1位
rock
The Beatles
band
アーティストベース
人気度ベース
2位
pop
Spice Girls
90s
3位
pop
Avril Lavigne
punk
？
？
ユーザベース
タグベース
アーティストベース
人気度ベース
ユーザベース
タグベース
友人ベース

8.
推薦理由の生成 9
 Koukiら[RecSys’15]の手法HyPERを利用
 ユーザとアーティストのペアに対して7種類のスタイルから生成
スタイル あなたに The Beatles が推薦されたのは
e1 あなたと好みが類似しているLast.fmユーザの Anna、Tom、John が
The Beatlesを聴いているからです
e2 あなたの好きな Bob Dylan と Johnny を聴いてる人が The Beatles を
聴いているからです
e3 あなたの好きな The Kinks と似たタグを持っているからです
e4 Last.fmによるとあなたの好きな Queen と似ているからです
e5 あなたの好みの 60s と britpop のタグを持っているからです
e6 あなたの友人の Lisa が The Beatles を好きだからです
e7 Last.fmでこれまでに 3.67M ユーザに 516.17M 回再生されるほど
人気だからです

9.
推薦理由の多様化 10
 上位にランキングされたアイテムに選ばれていない理由を選択
 類似したアイテム間では類似した推薦理由を選択しない
a3の推薦理由候補: {e1, e2, e4, e6, e7}
1位
rock
a1
band
e4
2位
3位
e6
e7
pop
a2
90s
e1
e4
e7
pop
a3
punk
?
?
?

10.
推薦理由の多様化 11
1位
rock
a1
band
e4
2位
3位
e6
e7
STEP
01
a1にもa2にも
含まれてない
e2を選択
pop
a2
90s
e1
e4
e7
pop
a3
punk
?
?
?
pop
a3
punk
e2
?
?
a3の推薦理由候補: {e1, e2, e4, e6, e7}
 上位にランキングされたアイテムに選ばれていない理由を選択
 類似したアイテム間では類似した推薦理由を選択しない

11.
推薦理由の多様化 12
1位
rock
a1
band
e4
2位
3位
e6
e7
STEP
01
a1にもa2にも
含まれてない
e2を選択
pop
a2
90s
e1
e4
e7
pop
a3
punk
?
?
?
pop
a3
punk
e2
?
?
a3の推薦理由候補: {e1, e2, e4, e6, e7}
STEP
02
非類似のa1にだけ
含まれている
e6を選択 pop
a3
punk
e2
e6
?
 上位にランキングされたアイテムに選ばれていない理由を選択
 類似したアイテム間では類似した推薦理由を選択しない

12.
推薦理由の多様化 13
1位
rock
a1
band
e4
2位
3位
e6
e7
STEP
01
a1にもa2にも
含まれてない
e2を選択
pop
a2
90s
e1
e4
e7
pop
a3
punk
?
?
?
pop
a3
punk
e2
?
?
a3の推薦理由候補: {e1, e2, e4, e6, e7}
STEP
02
非類似のa1にだけ
含まれている
e6を選択 pop
a3
punk
e2
e6
?
STEP
03
e4とe7はa1とa2の
両方に含まている
のでe1を選択 pop
a3
punk
e2
e6
e1
 上位にランキングされたアイテムに選ばれていない理由を選択
 類似したアイテム間では類似した推薦理由を選択しない

13.
貪欲法による推薦理由の多様化 14
n+1位のアーティストのm個目の推薦理由の選択：
𝑒𝑒 = argmax
𝑒𝑒𝑒∈𝐸𝐸𝑎𝑎 𝑛𝑛+1
𝑐𝑐 ∖𝐸𝐸𝑎𝑎 𝑛𝑛+1
𝑠𝑠
𝛽𝛽 � Ψ 𝑒𝑒′
, 𝑎𝑎𝑛𝑛+1 + 1 − 𝛽𝛽 � Ω 𝑒𝑒′
, 𝑎𝑎𝑛𝑛+1
類似アーティスト間のスタイルの多様性
Ψ 𝑒𝑒′, 𝑎𝑎𝑛𝑛+1 = �
1≤𝑖𝑖≤𝑛𝑛
1 − 𝛿𝛿 𝑒𝑒𝑒 ∈ 𝐸𝐸𝑎𝑎𝑖𝑖
𝑠𝑠 � 𝑠𝑠𝑠𝑠 𝑠𝑠 𝑎𝑎𝑛𝑛+1, 𝑎𝑎𝑖𝑖
任意のアーティスト間のスタイルの多様性
Ω 𝑒𝑒′, 𝑎𝑎𝑛𝑛+1 = �
1≤𝑖𝑖≤𝑛𝑛
1 − 𝛿𝛿 𝑒𝑒𝑒 ∈ 𝐸𝐸𝑎𝑎𝑖𝑖
𝑠𝑠

14.
評価実験 15
タスク
Last.fmの再生ログを用いたアーティスト推薦
比較手法
手法 アーティスト 推薦理由
NonDiv 非多様化 非多様化
ItemDiv 多様化 非多様化
RandDiv 多様化 ランダム
DualDiv 多様化 多様化
平均的な好みの
高い順に選択

15.
実験結果 16
評価指標 NonDiv ItemDiv RandDiv DualDiv
Recall@5 0.115 0.111
Recall@10 0.190 0.173
AILD@5 0.680 0.753
AILD@10 0.715 0.776
EILD@5 0.391 0.433 0.644 0.731
EILD@10 0.454 0.480 0.632 0.699
WEILD@5 0.117 0.0985 0.159 0.184
WEILD@10 0.122 0.100 0.141 0.157
 AILD ：任意のアーティスト間のタグの多様性
 EILD ：任意のアーティスト間の推薦理由の多様性
 WEILD：類似アーティスト間を重視した推薦理由の多様性

16.
レビュー 17
スコア
 一般レビュワー：5点、4点、3点
 メタレビュワー：4点
ポジコメント
 新規性が高くuser experienceの改善に貢献できる
 提案手法がgeneralで任意のドメインに適用可能
 イントロのtoy exampleでモチベーションが明確に伝わった
ネガコメント
 理由生成とアイテム多様化は既存手法なので技術的貢献小
 関連研究の章が無い

17.
まとめ 18
1位
rock
The Beatles
band
アーティストベース
人気度ベース
友人ベースの推薦理由は
説得力があるから
Avril Lavigneを聴こう！
2位
pop
Spice Girls
90s
3位
pop
Avril Lavigne
punk
アーティストベース
友人ベース
ユーザベース
タグベース
アイテムと推薦理由の両方を多様化することで
ユーザが少なくともひとつのアイテムを気に入る確率を上げる