【論文紹介】Multiple Pairwise Ranking with Implicit Feedback (CIKM2018)-ぐぐりらにっき

こんにちは、ぐぐりら(<a href="https://twitter.com/guglilac">@guglilac</a>)です。

今回は、implicit feedbackからランキングを学習する手法に、Bayesian Personalized Ranking (BPR)を改善したMultiple Pairwise Ranking (MPR)について読んだのでまとめました。

論文リンク：

[Multiple Pairwise Ranking with Implicit Feedback](https://dl.acm.org/doi/10.1145/3269206.3269283)

## 概要

implicit feedbackからランキングを学習する手法に、Bayesian Personalized Ranking (BPR)があるが、BPRでは未観測データをすべて等しく扱っていた。
本研究では未観測データをdislikeとunknownの二種類に分けて学習するMultiple Pairwise Ranking (MPR)を提案。

## Multiple Pairwise Ranking with Implicit Feedback (MPR)

BPRには、

* 観測されたitemは未観測itemよりも好まれる
* 各userの好みは独立

という仮定が置かれていました。

MPRでは一つ目の、unobservedなitemを一緒くたにしていたBPRの仮定を緩和しています.

unobservedなitemを二種類に分解します。

* dislike
* unknown

分解したら、

* observed-dislikeの差 > unknown-dislikeの差 > observed-observedの差

になるように学習します.

## 個人的な疑問と考察

observed > unknown > dislikeの順になるように学習せずに、このようなlossの設計にしているのは何か理由があるのでしょうか？

この二つの設計の差として、MPRでは

observed > dislike > unknown

の順になることも許容できる点があります。
unknownはviewしていないデータなので、シグナルとして二面性があると考えているのかも？と思いました。

* 見ているということは少なからず興味がある(正例の兆し)
* 見ているのにfeedbackがないのは興味がない(負例の兆し)

viewの扱い方はこちらの論文紹介記事でも書いています。

【論文紹介】Sampler Design for Bayesian Personalized Ranking by Leveraging View Data

## データセットの分け方

dislikeとunknownの分け方は色々ありますが、論文中では二つの方法を紹介しています。

* purchasedの他にclickの情報がある場合
* 人気度の情報を用いる方法

一つ目のclickの情報を使う場合は、clickしたけどnot purchasedなものはdislike、clickされていないものはunknownと分けるという方法です。

二つ目の人気度の情報を用いる方法は、user全体からのfeedbackが少ないものでかつそのuserと共起していないものをdislikeだろうと決め打ちして、それ以外の(他のuserとはある程度共起しているがそのuserとは共起していない)itemはunknownとする方法です。

この辺りはデータセットと扱っているタスクによって色々方法がありそうです。

## 感想とか

今回はunobservedだったものを二つの集合に分解してlossを設計していました。

feedbackの種類が複数得られる場合には、その強度でobservedの方を分けることができたりしそうです。

lossの部分も考える問題設定ごとにfeedbackの郷土の大小関係の仮定を入れることができそうなので、いろいろ使えるのでは？と感じました。

また、BPRでは複数のfeedbackを扱ったり強度がbinaryではないfeedbackの研究がありますが、WARPでそのような研究ってあるのかなという疑問を持っています。

ご存知の方がいらっしゃいましたら、コメントお待ちしております！

【論文紹介】Multiple Pairwise Ranking with Implicit Feedback (CIKM2018)

0 件のコメント:

コメントを投稿

PROFILE

このブログを検索

POPULAR POSTS

SPONSORED LINK

RECENT POSTS

TWEETS

ARCHIVES

LABEL

CONTACT