楽曲推薦システムの効率性とスケーラビリティの改善のための確率的推薦モデルのインクリメンタル学習法(検索・推薦)

概要

論文の詳細を見る
本稿では,ハイブリッド型楽曲推薦システムの効率性とスケーラビリティを改善する手法について述べる.我々は以前,確率的推薦モデルを用いて「ユーザの楽曲評価」と「楽曲の音響的特徴」とを同時に考慮するハイブリッド型推薦システムを開発し,高精度な推薦ができることを実証したが,効率性とスケーラビリティに関する問題が残されていた.すなわち,新規評価や新規ユーザ,新規楽曲が追加されるたびにモデル全体を再学習する必要があった.また,モデル学習にかかる計算コストがユーザ数と楽曲数に比例して増加するため,現実的なサイズのデータを扱うことができなかった.そこで本稿では,効率性を改善するため,モデルをわずかなコストで部分的に更新できるインクリメンタル学習法を提案する.さらに,スケーラビリティを改善するため,まず少数の代表的な仮想ユーザと仮想楽曲に対して「コアモデル」を構築し,次にインクリメンタル学習法によって実際のユーザと楽曲をコアモデルに追加登録していく手法を提案する.実験の結果,上記二つの改良を施した推薦システムでは,推薦精度が向上することが分かった.
2007-08-01