💬

【論文要約】BPR: Bayesian Personalized Ranking from Implicit Feedback

2023/04/29に公開

元論文:BPR: Bayesian Personalized Ranking from Implicit Feedback

Rendle, S., Freudenthaler, C., Gantner, Z. and Schmidt-Thieme, L., 2012. BPR: Bayesian personalized ranking from implicit feedback. arXiv preprint arXiv:1205.2618.

どんな論文?

implicit feedback によりランキングを学習するアイテム推薦の論文。最適化指標としてBPR-OPTを提案。また、汎用的な学習方法としてLearnBPRを提案し、従来手法を上回る性能を示した。

先行研究と比べてどこがすごい?

implicit feedback によりアイテム推薦を行う手法は matrix factorization や kNN などいくつかの手法が提案されていた。しかし、BPR のようにパーソナライズドされたアイテムのランキングを予測するように直接最適化された手法はなかった。また、実験によりBPRが従来手法を上回る性能を示した。

技術・手法・モデルのキモはどこ?

BPR-OPT の提案

ユーザー u に対するアイテム間のランキングを示す全順序を >_u、モデルのパラメータ \Thetaとして、以下の事後分布を最大化する。

すると学習データを D_s \subset >_u として、以下のようにBPR-OPTが定義できる。これを最大化する \Theta を求めるのが学習においてやりたいことになる。

LearnBPR

BPR-OPTを用いた学習・パラメータの更新方法を提示。

BPRを利用したモデル

  • パラメータ \Theta を2つの low-rank 行列にした Matrix Factorization
  • パラメータ \Theta をアイテム同士の類似度を示す対称行列にした k-Nearest-Neighbor

どうやって有効だと検証した?

Matrix Factorization と k-nearest-neighbor のそれぞれについて、BPRを利用したものとそうでないもので実験を行い、AUCで評価した。

既存手法に比べて良い性能が得られることを実験的に示した。

議論はある?

  • 2009年と古い論文なので、新しいモデルへの適用なども確認する必要がある

次に読むべき論文は?

その他参考

Discussion