グループみんなが満足できる推薦:多数決に埋もれる少数派を救う
- 論文名: Group Recommendation Based on Disentangled Category-Preference Learning and Consensus–Rescue Aggregation
- 著者: Kaisho Hamaguchi, Soh Yoshida

どんな研究?
友人5人で見る映画を選ぶ,サークルの打ち上げのお店を決める.こうした複数人で1つを選ぶ場面向けの推薦がグループ推薦です.一人ひとりに向けた推薦と違い,グループ全員に対して1つのランキングを出す必要があります.
何が問題?
もっとも単純な方法は,各メンバーのおすすめ度を計算して平均することです.しかし,5人のうち4人がアクション映画好き,1人が恋愛映画好きだったらどうなるでしょうか.平均をとるとアクション映画ばかりが上位に並び,残りの1人は見たい映画が1本もリストに入らない,ということが起こります.なぜこうなるのかを突き詰めると,推薦モデルが学ぶ好みの表現の中に,アクションというジャンルが好きという大まかな好み(カテゴリ嗜好)と,この作品のこういう点が好きという細かい好み(アイテム固有の嗜好)が混ざっていることが原因です.ジャンルの好みは多くの人に共通するので,平均すると強調されます.一方,個々の作品への細かい好みは人によってばらばらなので,平均すると打ち消し合ってしまいます.
どう解決?
この研究では,学習の段階で2種類の好みを分離します.具体的には,アイテム固有の表現からジャンルを当てようとする判別器を用意し,勾配反転層という仕組みを使って,判別器に当てられないように表現を学習させます(敵対的学習).加えて,ジャンルだけでは区別できない作品ペアを重点的に学習する損失関数 CRBPR(Category-Residual Bayesian Personalized Ranking)や,グループの中で最も好みが中心から外れたメンバーの好きな作品を他のメンバーの学習にも共有する損失関数 DPG(Dual-Positive Group loss)を導入し,少数派の好みが埋もれないようにします.推薦時には,みんながそこそこ良いと思う作品を評価する合意スコアと,誰か一人が強く推す作品を拾い上げるスコアを組み合わせます.多数派の合意を尊重しつつ,少数派の推し作品も確実にリストに入れる仕組みです.
結果
映画(MovieLens-1M)と音楽(LastFM)のデータで,好みが似ている5人組,ランダムな5人組,好みがばらばらな5人組を各1,000組作って評価しました.提案手法は24の評価項目のうち23で最良となり,とくに好みがばらばらなグループで大きく改善しました.一番満足度の低いメンバーの指標や,見たい作品が一つも入らなかった人の割合が改善しており,グループ全体の精度を上げながら,取り残される人を減らせることが分かりました.
キーワード:グループ推薦,グラフニューラルネットワーク,分離表現学習,敵対的学習,公平性

