個人の好みの変化を予測して、レコメンドに生かすロジック
2015, IJCAI, Xin Liuの論文
http://ijcai.org/Proceedings/15/Papers/254.pdf
既存のrecency model: 過去の好みに対して、重み付けをして最近の好みを追加していく
- これだと、重みを定数として渡す必要があるので、季節性、時代性が反映されにくい
既存のCF model: 個人の嗜好をモデリングできない、大切な情報が含まれているのに
提案手法：ガウシアンプロセスを組み込んで時間変化する好みを反映させる
- 得られるテキストデータからLDAによってトピックを抽出して、それを個人の好みとする。（従来の手法と比較して、予想もしない特徴ベクトルが抽出できる可能性がある）
各時間tのトピック分散を時系列のデータとして、ガウシアンプロセスで未来の趣向を予測する、予測した趣向をもとに、シャノン距離によってitemとの距離を測定する
シャノン距離：KLダイバージェンスに対称性をもたせたもの、確率分布の差異を測るときに使う
LDAとGPを組み合わせたモデルは、密なデータに対して有効だが、疎なデータに対しては有効ではないので、工夫を加える。
- profileのaverageを設ける
- ユーザーベースの協調フィルタリングを組み合わせる（MF: Matrix Factorization、次元圧縮の手法の1つ、NMFと同じ計算アルゴリズム??）
計算手法
- item vとwordの行列を作成し、LDAを行う。
- userごとにpreferenceを時系列に並べる、t1にv1、t2にv2、t3にv3を使ったのなら、v1, v2, v3 ・・・となる、この行列からGPによりt + 1時間のpreferenceを予測する。
- 予測したpreferenceとアイテムの相関を取り、リコメンデーションを行う
