商品の説明文や画像を手がかりに,推薦の偏りを正す

  • 論文名: Bias-Aware Cross-Domain Recommendation with Multimodal Instrumental Representations
  • 著者: Hiroto Okada, Soh Yoshida

どんな研究?

あなたが Amazon でスポーツ用品をたくさん買っているとします.このとき,まだほとんど買ったことのないスマートフォン関連の商品も上手に勧めたい.これがクロスドメイン推薦(Cross-Domain Recommendation, CDR)です.データが豊富な分野(ソースドメイン)で学んだ好みを,データの少ない分野(ターゲットドメイン)に転用します.

何が問題?

推薦システムが学習に使う購買履歴は,純粋な好みだけを表しているわけではありません.トップページに大きく表示された商品や,すでに売れている商品は,それだけで目に触れる機会が多く,買われやすくなります.つまり購買履歴には,好きだから買ったという情報と,目立っていたから買ったという情報が混ざっています.この混ざった情報をそのまま別の分野に転用すると,転用先でも人気商品ばかりが勧められる人気バイアスが強まってしまいます.

どう解決?

この研究では,経済学や統計学で使われる操作変数(instrumental variable)という考え方をヒントにしました.操作変数とは,知りたい原因(ここでは好み)には関係するが,邪魔なノイズ(目立ちやすさ)とは別の経路で得られる情報のことです.商品の説明文や商品画像は,その商品がどんな商品かを表していますが,その商品が何回画面に表示されたかとは直接関係しません.そこで,説明文と画像から得た特徴を外部の手がかりとして使い,購買履歴から学んだ表現のうち目立ちやすさに引きずられた部分を補正します.説明文の特徴は文章の意味を数値化するモデルである Sentence-BERT,画像の特徴は画像認識モデルである VGG19 で抽出しています.さらに,この補正用の表現を,両方の分野に共通する好みと,その分野だけの好みに分解し,共通部分だけを分野間で揃えることで,転移を安定させています.

結果

Amazon のレビューデータを使い,スポーツ用品・スマートフォン・おもちゃの間で4通りの転用を試しました.提案手法は4通り中3通りで最も高い推薦精度を達成しつつ,4通りすべてで,推薦される商品の平均人気度が最も低く,推薦リストに登場する商品の種類の豊富さ(カバレッジ)が最も高くなりました.精度を落とさずに人気商品への偏りを減らし,より多様な商品を推薦できることを示しました.

キーワード:クロスドメイン推薦,因果推論,操作変数,マルチモーダル,人気バイアス