Recomendados
Mais conteúdo relacionado
Último
Último (10)
Destaque
Destaque (20)
WebDB Forum 2015 pinterest webpagever
- 1. PinterestにおけるPin推薦のための 推薦アルゴリズムの比較 足立 健太郎（大阪大学） 土方 嘉徳（大阪大学） Joseph A. Konstan（University of Minnesota） 1
- 2. アウトライン 1. はじめに • 研究背景 • 関連研究 2. データセット 3. 推薦アルゴリズム 4. 評価指標 5. 結果 6. まとめと今後の予定 2
- 3. 1. はじめに 3
- 4. ウェブ上で人気なサービスの機能 4 • 画像や動画の収集 • コレクションの作成，編集 ソーシャルネットワーキングサービス（SNS） （Twitter，Facebookなど） • 文書や画像の投稿 • 共有，いいね，コメント機能 • ユーザのフォロー キュレーションサービス （Instapaper，Scoop.itなど）
- 5. Pinterest：ソーシャルキュレーションサービス 5 • 文書や画像の投稿 • 共有，いいね，コメント機能 • ユーザのフォロー • 画像や動画の収集 • コレクションの作成，編集 SNS キュレーションサービス ＋ SNSとキュレーションサービスの機能を併せ持つ
- 6. Pinterest (マイページ) 6 ボード 7000万ユーザ (*) 10億ボード (**) 500億ピン (**) (*):2013/7/10 (**):2015/3/31
- 9. 推薦に用いられる情報 9 1. ピンのコンテンツ情報（説明文） → コンテンツベースフィルタリング 2. ピンしたかどうか（ユーザ―アイテム評価値行列） → 協調フィルタリング 3. フォロー関係 → 社会ネットワークに基づく推薦 4. リピンやいいね！の回数 → 人気度に基づく推薦 比較により最適なアルゴリズムを発見できる Pinterestで取得可能なデータと対応するアルゴリズム
- 11. 関連研究 (1/2) 11 Pinterestの性質に関して • ピン カテゴリの分布 [1][2][4] 説明文の内容の分析 [1][3] リピンされやすさのモデル化 [3] • ユーザ フォロワー数・フォロウィ数の分布 [1] 国籍の分布 [1][3] 男女の振る舞いの違い [2][3] 人気度のモデル化 [2] • Pinterest vs Twitter 用いられる単語 [3] vs Twitter ユーザ行動 [4] [1] Mittal et al. arXiv preprint 2013 [2] Chang et al. ACM CSCW 2014 [3] Gilbert et al. ACM SIGCHI 2013 [4] Ottoni et al. AAAI ICWSM 2014
- 12. 関連研究 (2/2) 12 アルゴリズムの比較について [5] Huang et al. IEEE 2007 [6] Cremonesi et al. ACM RS 2010 [7] Cacheda et al. ACM TWEB 2011 [8] Kluver et al. ACM RS 2014 論文 ドメイン アルゴリズム 評価指標 [5] 服，本，映画 協調フィルタリング，潜在因 子モデル，人気度など7種類 精度，再現率など5種 類の正確性に関する 指標 [6] 映画 ユーザの評価，コンテンツの 類似度，協調フィルタリング など6種類 精度，再現率 [7] 映画 10種類の協調フィルタリング 精度に関する2つの指 標を提案 [8] 映画 ユーザの評価，協調フィルタ リングなど5種類 正確性，人気度など 11種類の指標
- 13. 2. データセット 13
- 14. クローリング手法の方針 14 Changらの手法を参考に作成 [Chang, 2014 CSCW] 各ユーザのボードを収集 ユーザIDを収集 各ボードのピンを収集 シード：直近ピンした10ユーザ フォロワーか フォロウィを辿る ・・・ 深さ優先探索 ・ ・ ・ シードに 戻る 深さ 1000 HTML 解析 HTML 解析 Pinterest：APIの公開なし プログラムにより ブラウザを操作
- 15. データセット 15 アルゴリズム 使用するデータ コンテンツベースフィルタリング 上記のユーザと そのボード ( 7,674ボード ) 協調フィルタリング 上記 社会ネットワークに基づく推薦 上記のユーザのうち 50ユーザのフォロウィ・ フォロワーのピン(3,519,059) 人気度に基づく推薦 上記 ＊フォロー関係にあるユーザのボード・ピンも取得 ベースとなるデータセット • ユーザ：200（50ユーザはフォロー関係を取得＊ ） • ピン ：1,161,373 （各ピンのリピン数，お気に入り数も説明も取得）
- 16. 3. 推薦アルゴリズム 16
- 17. コンテンツベースフィルタリング 17 [ 0.27 0.03 0.00 0.30 0.03 ] ユーザベクトル [ 0.1 0.1 0.0 0.4 0.0] ピンベクトル ピンの特徴量を用いてピンとユーザのベクトルを作成 ユーザ [ 0.3 0.0 0.0 0.2 0.1] [ 0.4 0.0 0.0 0.3 0.0] [ 0.1 0.1 0.0 0.4 0.0] ピンベクトル ピンに関する説明を用いることで 好みに近い内容のピンを推薦する手法 平均 類似度が高い ものを推薦する ボード ピンの説明文 ボード名 ボードの説明 bag-of-words
- 18. 協調フィルタリング 18 𝐿 0 0 0 0 𝐿 0 0 𝐿 学習セット ユーザベース𝑢1 𝑢2 𝑢3 1 0 0 0 0 1 0 0 1 同じ画像をピンした ユーザから推薦 アイテムベース 1 0 0 0 0 0 0 1 1 𝑖1 𝑖2 𝑖3 ピンしたユーザが 似ている画像を推薦 ユーザが行，ピンが列となる行列を作成する 同じピンを持つユーザの評価を用いることで 好みが似たユーザから推薦する手法 スパース率1.4%で疎なため SVDや単語，カテゴリを用いた 次元削減の結果も評価する L: 学習セット T: テストセット 𝐿 0 0 0 𝑇 𝐿 𝑇 0 𝐿 アイテム ユ ー ザ
- 19. 19 2ステップ先 ユーザ１ ユーザ2 注目ユーザ フォロー ピン 1ステップ先のユーザからの フォロー数により重み付け 推薦 2ステップ先のユーザからの ピン数により重み付け (1) 2ステップ先のフォロウィのピンから推薦 嗜好が似ていると考えられる 2ステップ先のユーザから推薦する手法 : ユーザ : ピン 社会ネットワークに基づく推薦 (1/3)
- 20. 社会ネットワークに基づく推薦 (2/3) 20 (2) フォロワーのピンから推薦 注目ユーザ ユーザ1 ユーザ2 嗜好が似ていると考えられる フォロワーから推薦する手法 フォロワーからの ピン数により重み付け : ユーザ : ピン 推薦 ピン フォロー
- 22. 人気度に基づく推薦 22 リピン数(共有数)が多い画像を推薦する 全員に同じ画像が推薦される （注目ユーザがピンした画像を除く） リピン数が多く人気度が高いと考えられる ピンを推薦する手法 注目ユーザ : リピン : ユーザ : ピン 推薦
- 23. 4. 評価指標 23
- 24. 評価指標 (1/3) • ヒット率 ( Hit-rate ) [Deshpande ACM TOIS 2004] ユーザのピンが1つでも推薦されたユーザの割合 • 精度@N ( Precision@N ) 推薦リストの上位N位のうちユーザのピンの割合 • MAP ( Mean Average Precision ) [Buckley MIT Press 2005] ユーザのピンが推薦された順位での精度の平均 • 再現率 ( Recall ) ユーザのピンのうち，推薦されたピンの割合 正確性 Precision@3 = 2 3 ≈ 0.67 Precision@5 = 3 5 = 0.6 1 2 3 4 5 Mean Average Precision = 1 3 (𝑝@1 + 𝑝@2 + 𝑝@5) ≈ 0.87 例えば，リストが次のような時 ：ユーザのピン ：ユーザのピン以外 24
- 25. 評価指標 (2/3) 25 多様性 • リスト内類似度 [Ziegler ACM WWW 2005] 推薦リスト内にあるアイテムの多様性 （ピンが含まれるボードのカテゴリを用いる） セレンディピティ • Unserendipity [Zhang ACM WSDM 2012] ユーザのピンと推薦リスト内のピンの類似度を ピンの特徴ベクトルを用いて計算する ユーザのピンと推薦されたピンの類似度が低ければ Unserendipityは高い
- 26. 評価指標 (3/3) 26 新規性 • ロングテールに基づく指標 [Celma ACM RecSys 2008] 推薦リスト内の任意のアイテムペアがリピン回数の累積度数 分布曲線における“head”, “mid”, and “tail”のどこか調べる “head”同士のアイテムペアが多い結果は新規性が低い 左図は縦軸が累積度数割合， 横軸が歌手の再生数順位の対数 “head”と”mid”の境は82位， ”mid”と”tail”の境は6655位 上位737位で全体の50%
- 27. 5. 結果 27
- 28. 0.00000 0.00500 0.01000 0.01500 0.02000 0.02500 0.03000 0.03500 content SVD social 2step social follower social co-follow popularity random 結果 – ヒット率 28 上位10位の推薦結果における評価 正解アイテムを1人でも多くのユーザに提示するためには コンテンツ情報が有効である ヒット率が高い • コンテンツベース フィルタリング • 社会ネットワーク ヒット率が低い • 協調フィルタリング • 人気度に基づく推薦
- 29. 0.00000 0.00200 0.00400 0.00600 0.00800 0.01000 Precision@10 MAP@10 Recall@10 content SVD social 2step social follower social co-follow popularity random 結果 – 精度，MAP，再現率 29 上位10位の推薦結果における評価 推薦リストの正確性を向上させるためには コンテンツ情報が有効である 正確性が高い • コンテンツベース フィルタリング 正確性が低い • 協調フィルタリング (データが疎のため 働いていない)
- 30. 0.00000 0.00100 0.00200 0.00300 0.00400 0.00500 0.00600 content SVD social 2step social follower social co-follow popularity random 結果 – 多様性 30 上位10位の推薦結果における評価 （値が小さいほど高い多様性を示す） 推薦リストの多様性を向上させるためには 人気度や社会ネットワークが有効である 多様性が高い • 人気度に基づく推薦 • 社会ネットワーク 多様性が低い • 協調フィルタリング • コンテンツベース
- 31. 0.00000 0.00050 0.00100 0.00150 0.00200 0.00250 0.00300 0.00350 0.00400 0.00450 content SVD social 2step social follower social co-follow popularity random 結果 – セレンディピティ 31 上位10位の推薦結果における評価 （値が小さいほど高いセレンディピティを示す） 推薦リストに意外なアイテムを含むためには 協調フィルタリングが有効である セレンディピティが高い • 協調フィルタリング • 人気度に基づく推薦 セレンディピティが低い • コンテンツベース (ユーザのピンと似た 画像が推薦される)
- 32. 結果 – 新規性 32 リスト内で任意にアイテムペアを作成した時， “head”にある画像とペアになるアイテムの分布 推薦リストの新規性を向上させるためには コンテンツ情報や社会ネットワークが有効である 新規性が高い • コンテンツベース • 社会ネットワーク 新規性が低い • 協調フィルタリング • 人気度に基づく推薦0.00 10.00 20.00 30.00 40.00 50.00 60.00 70.00 80.00 90.00 100.00 content SVD social 2step popularity random head mid tail
- 33. まとめと今後の予定 33 Pinterestの画像推薦結果を比較し複数の指標で評価した • 正確性を向上させるにはコンテンツ情報が有用 • 多様性には人気度，社会ネットワークが有用 • セレンディピティには協調フィルタリングが有用 • 新規性はコンテンツ情報，社会ネットワークが有用 アルゴリズム コンテンツベースの推薦 協調フィルタリングによる推薦 社会ネットワークに基づく推薦 人気度に基づく推薦 評価指標 正確性 多様性 セレンディピティ 新規性 今後の予定 • アンケートで目的を尋ね，使用目的別評価を行う • オンライン実験により実環境に近い評価を行う