話題を考慮した多様性のある情報推薦手法の提案
•
2 gefällt mir•1,620 views
Proposal of Information Recommendation Method that Diversity in Consideration of the Topic DEIM2014に投稿した論文についてB8:情報推薦(1)セッションで発表させていただきました． プレゼンテーションで使用したスライドになります．
Empfohlen
Weitere ähnliche Inhalte
Andere mochten auch
Andere mochten auch (11)
Mehr von Tatsuya Coike
Kürzlich hochgeladen
Kürzlich hochgeladen (7)
話題を考慮した多様性のある情報推薦手法の提案
- 1. DEIM 2014 B8-4 2014.3.5 (Wed) 話題を考慮した多様性のある 情報推薦手法の提案 †明治大学 理工学部 情報科学科
- 3. 3 1. はじめに
- 4. 4 1.1 背景 -1 • 従来の推薦システムは ユーザ or アイテム の類似度合いから推薦 推 薦 似ている
- 5. 5 1.1 背景 -1 • 従来の推薦システムは ユーザ or アイテム の類似度合いから推薦 推 薦 似ている 味噌ラーメン が好き
- 7. 7 1.2 目的 • 提案手法は，明確な理由付けができる手法 理由付け * アイテムの特徴 * どのユーザからのお薦めか 推 薦 * 味噌 * 川越シェフ
- 8. 8 2. 提案手法
- 9. 9 2.1 着想 -1 • 類似度合いを用いない →話題(トピック)を用いる ⇒理由付け可能 トピック ラーメン トピック ターゲットユーザ お肉
- 10. 10 2.1 着想 -1 • 類似度合いを用いない →話題(トピック)を用いる ⇒理由付け可能 トピック “ラーメン” 推薦 ラーメン トピック ターゲットユーザ “お肉” 推薦 お肉
- 14. 14 2.3 処理 1 •ユーザ&アイテム プロファイル構築 • ユーザプロファイル …嗜好情報 ユーザの興味のある タグ群を構築 • アイテムプロファイル …被嗜好情報 アイテムを説明するのに 相応しいタグ群を構築
- 15. 15 2.3 処理 1 •ユーザ&アイテム プロファイル構築 • ユーザプロファイル …嗜好情報 ラーメン お肉 味噌 パスタ • アイテムプロファイル …被嗜好情報 ラーメン 味噌 ランチ 太麺
- 25. 25 3. 評価実験
- 26. 26 3.1 使用データ • ソーシャルブックマーク データセット delicious http://grouplens.org/datasets/hetrec-2011/ User Item (Page) Bookmark Tag 1867 69223 104799 40897 →いつユーザがどのページをブックマークしたか →ブックマークしたときにどのようなタグを付けたか
- 27. 27 3.2 実験方法 • １個 のセグメントを 学習部 ４個 〃 正解部 を１ケース • セグメントをスライドさせ，１５ケース用意 Case 1 Case 2 Case 3 Case 15
- 28. 28 3.3 評価指標 • 推薦精度 (再現率) Precision , Recall , F-Measure →定義した正解部とのズレ • 推薦可能なユーザの割合 E-Rate →アイテムが１つ以上推薦できたユーザの割合 • 多様性 (嗜好網羅的) Profile Covering Diversity (PCD)
- 29. 29 3.4 多様性 (嗜好網羅的) • なぜ，多様性を計る？ ⇒提案手法は，様々な話題を考慮し， ユーザが好む話題を網羅できる トピック “ラーメン” 推薦 ラーメン トピック ターゲットユーザ “お肉” 推薦 お肉 -1
- 30. 30 3.4 多様性 (嗜好網羅的) -2 • 多様性を どのように 計る？ ⇒ユーザプロファイルのタグを均等に網羅する ように推薦アイテム群が構築できているか 例) ４つの好みがある中で ２つのアイテムを推薦 ラーメン お肉 味噌 パスタ 推薦されたアイテム ⇒ 0.5 (50%)
- 31. 31 4. 結果
- 32. 32 4.1 結果 • 各手法の推薦有用性比較 F-Measure Proposal 0.00062 Item-CF 0.00215 User-CF 0.00020 Random 0.00006 E-Rate 0.588 0.088 0.081 1.000 PCD 0.271 0.051 0.048 0.010 • 提案手法は，推薦できるユーザの割合 また 多様性(嗜好網羅的)で最も優れる手法
- 33. 33 4.2 考察 • 推薦精度では，協調フィルタリングに比べ あまり変わらない もしくは 大きく下げていない • 推薦可能なユーザ → 多い • ユーザの好みに対して網羅的に情報を推薦できる (多様性がある) ⇒提案手法が最も有用であると考えられる
- 34. 34 5. まとめ
- 35. 35 5.1 まとめ • 話題を考慮した情報推薦手法を提案 • ソーシャルブックマークを用いることで 膨大な情報から有益な情報推薦が可能であった • 提案手法は， ▽どのユーザによる推薦 →評価付けしたユーザ ▽なぜこの情報を推薦 →話題(トピック),タグ これらを示せる ⇒ 理由付け ができた
- 37. 37 6. 参考
- 38. 38 6.1 関連研究 -1 多様性 (情報推薦手法) • 類似アイテム除去 (フィルタリング) 計算結果 推薦
- 39. 39 6.1 関連研究 -2 多様性 (評価指標) • 推薦リスト内類似度 ILS : Intra-List Similarity →推薦リスト内のアイテム類似度を用いる • 相対的多様性 RD : Relative Diversity →注目アイテムに対して 各アイテムとの類似度を用いる →いずれも 類似度
- 40. 40 6.1 関連研究 -3 ソーシャルブックマーク での情報推薦 • フォークソノミー Folksonomy →ユーザによって情報にタグ付け • 推薦方法 →ユーザ同士の嗜好類似度を算出しやすくする ・ユーザと各タグの表記ゆれ ・嗜好の表現を抽象化 →クラスタリング
- 41. 41 6.2 実験方法 • ブックマーク順にログを整列 • 20個 のセグメントに分割 104799 0 bookmark 20 Segments
- 42. 42 6.3 比較手法 提案手法(Proposal)と比較する手法を用意 • 協調フィルタリング アイテムベース ユーザベース • 無作為抽出手法 (CF , Collaborative Filtering) Item-CF User-CF Random …全ページからユーザが未だブックマークして いないページを無作為に３ページ抽出し推薦
- 43. 43 6.4 結果 • 各手法の推薦精度比較 Item-CF Proposal User-CF Random • 提案手法は， Precision 0.00568 0.00125 0.00072 0.00029 Recall 0.00132 0.00041 0.00012 0.00003 F-Measure 0.00215 0.00062 0.00020 0.00006 アイテムベースの協調フィルタリングより劣る