|
早稲田大学
山名 早人
教授
機関別共同研究
Discovery Saga
論文分野別Discovery Saga
研究テーマDiscovery Saga
協賛企業
共同研究先:DMM.com Labo
Corporate
共同研究数 2
Conference Paper
2019 1 22
IEEE : Institute of Electrical and Electronics Engineers
Improving Recommendation Diversity Across Users by Reducing Frequently Recommended Items
(Last author)
頻繁に推薦される項目の削減によるユーザー間の推薦の多様性の向上
Seiki Miyamoto, Takumi Zamami, Hayato Yamana
【抄録】
Recommender systems have been used for analyzing users' preference through their past activities and recommend items in which they might be interested in. There are numerous research on improving the accuracy of recommendation being conducted, so the recommender system reads user preference more accurately. However, it is important to consider the recommendation diversity, because lacking diversity will lead to recommendation being repetitive and obvious. In this paper, we propose a method to re-rank the recommendation list by appearance frequency of items to recommend more range of items. The experimental result shows that our method consistently performs better than a related work to improve recommendation diversity. © 2018 IEEE.
【抄録日本語訳】
レコメンダーシステムは、ユーザーの過去の行動から嗜好を分析し、そのユーザーが興味を持ちそうなものを推薦するために使われています。より正確にユーザーの嗜好を読み取るために、推薦の精度を向上させる研究が数多く行われている。しかし、推薦の多様性を考慮することが重要である。多様性がないと、推薦が繰り返され、自明になってしまうからである。本論文では,より多くのアイテムを推薦するために,アイテムの出現頻度によって推薦リストを再順位付けする手法を提案する.実験により,本手法が推薦の多様性を向上させるための関連研究よりも常に良好な性能を示すことを示す.© 2018 IEEE.
Conference Paper
2019 5 10
IEEE : Institute of Electrical and Electronics Engineers
Appearance Frequency-Based Ranking Method for Improving Recommendation Diversity
(Last author)
レコメンデーションの多様性を向上させる出現頻度に基づくランキング手法
Seiki Miyamoto, Takumi Zamami, Hayato Yamana
【抄録】
Recommender systems are used to analyze users' preferences through their past activities and to personalize recommendations for each user based on what they might be interested in. The performance of the recommender system is most commonly measured using only recommendation accuracy. However, recommending accurate items does not mean that the generated recommendation is the best for the user because it can be biased towards some items that have a higher chance of being liked by users, such as popular items. Recommendations become repetitive and obvious with biased item selection and are less likely to be personalized. To mitigate bias and repetitiveness, recommendation diversity has been studied. However, diversity has a trade-off relationship with accuracy. Modifying the recommendation algorithm to consider diversity while learning about user preferences would not only cause loss in accuracy, but also lead to less precise reading of user preferences. Instead, using ranking methods to re-rank the priority of items predicted, the recommendation algorithm would keep the preciseness of the algorithm. In this study, a ranking method using the appearance frequency of items to restrict the items from being frequently recommended will be proposed. The experimental results showed that the proposed method consistently improved diversity in multiple diversity metrics. © 2019 IEEE.
【抄録日本語訳】
レコメンダーシステムは、ユーザーの過去の行動から嗜好を分析し、ユーザーが興味を持ちそうなものをもとに、各ユーザーにパーソナライズした推薦を行うために使用されます。レコメンダーシステムの性能は、推薦精度のみを用いて測定するのが最も一般的である。しかし、人気のあるアイテムなど、ユーザーに好かれる確率の高い一部のアイテムに偏ってしまうことがあるため、正確なアイテムを推薦したからといって、生成された推薦がユーザーにとってベストであるとは限らない。レコメンデーションは、偏ったアイテム選択によって反復的で明白なものとなり、パーソナライズされる可能性は低くなる。このような偏りや繰り返しを緩和するために、レコメンデーションの多様化が研究されている。しかし、多様性は精度とトレードオフの関係にある。ユーザの嗜好を学習しながら多様性を考慮するように推薦アルゴリズムを修正すると、精度が低下するだけでなく、ユーザの嗜好を正確に読み取れなくなる。その代わり、ランキング手法を用いて予測された項目の優先順位を付け直すことで、推薦アルゴリズムの精度を保つことができるだろう。本研究では、アイテムの出現頻度を利用し、頻繁に推薦されるアイテムを制限するランキング手法を提案する。実験により、提案手法は複数の多様性指標において一貫して多様性を向上させることが示された。© 2019 IEEE.