[論文メモ] 相互推薦における協調フィルタリング(LFRR)

Latent Factor Models and Aggregation Operators for Collaborative Filtering in Reciprocal Recommender Systems

• 論文: https://github.com/tangxyw/RecSysPapers/blob/main/Industry/Reciprocal/Latent Factor Models and Aggregation Operators for Collaborative Filtering in Reciprocal Recommender Systems.pdf
• 会議: RecSys'19

読む動機

• 相互推薦タスクというものの存在を知り、興味を持ったため
• CyberAgentさんの日本国内向けサービスでの事例のため、参考になる箇所があればいいなと思ったたため

要約

• 相互(=user-to-user)推薦は一般的なuser-to-item推薦と手法が異なる
• 潜在因子モデルを用いた相互推薦の主要な手法について示す
• 相互推薦におけるSoTAを達成

背景

• 相互推薦の需要が高まっている
  • マッチングアプリ
  • 採用
  • SNS
• 相互推薦は双方向の興味の関係性を考慮する必要があり、難しい
  • ex. 不人気のユーザに人気のユーザを推薦してもダメ
• 提案されてきた手法
  • コンテンツベース
    • RECON
  • 協調フィルタにおける近傍推薦
    • RCF
    • ユーザに対する全ペアを計算することになるので、計算量が大きくなりがち

提案手法

LFRR

潜在因子モデル(=行列分解を用いる)を採用した部分が新規性

ex) 上図のマッチングアプリ

1. 以下の2方向の推薦スコアをSGDにより算出
   • Male-to-Female のスコア
   • Female-to-male のスコア
2. 1.で算出したそれぞれの推薦スコアに対し、集計関数(Aggregation Operators)から相互推薦スコアを算出
   • 候補としては以下の平均三兄弟
     • Arithmetic Mean（算術平均）
     • Geometric Mean（幾何平均）
     • Harmonic Mean（調和平均）

有効性

• データセット
  • マッチングアプリPairsにおける３ヶ月分の行動ログ
    • マジョリティに絞りたいなどで以下の制限
      • 東京周辺住み
      • 18 - 30歳
      • 10Like以上のユーザ

感想・備考

• 一般的な推薦なら行列分解するのが主流だけど、相互推薦だと2019年までしてこなかったのに驚いた
• 性能評価などでLikeで閾値を設けるのは参考になるかもしれないと思った
• レコメンドの最適化関数にSGDを使ったことがなかったので勉強になった

参考

• Python: レコメンドの行列分解を確率的勾配降下法で実装してMovieLens100Kに適用する