---
title: 意外性の時系列予測によるセレンディピティ指向推薦システムの検討
tags:  #国内会議 #ポスター  
author: [Okamoto Lab. (The Univ. of Electro-Communications)](https://docswell.com/user/okmt_lab)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/VEP2PW3LE8.jpg?width=480
description: 徳武 悠, 岡本 一志: 意外性の時系列予測によるセレンディピティ指向推薦システムの検討, 第37回人工知能学会全国大会, 2023.6, 熊本県熊本市.
published: June 08, 23
canonical: https://docswell.com/s/okmt_lab/Z1RQE7-2023-06-08-jsai2023-tokutake
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/VEP2PW3LE8.jpg)

意外性の時系列予測による
セレンディピティ指向推薦システムの検討
研究背景
徳武 悠，岡本 一志（電気通信大学 大学院情報理工学研究科）
セレンディピティ指向推薦システム
システムアーキテクチャ
過度な推薦精度の追求はフィルターバブル問題を引き起こす
→ セレンディピティに着目した推薦システムが提案
本研究では構成要素として多くの研究で用いられる意外性に着目
アルゴリズムは以下の3種類に分類
アルゴリズム
概要
性能評価実験
課題
リランキング（Reranking） 精度指向の推薦リストを並び替え
改良（Modification） 精度指向のアルゴリズムを改良
セレンディピティ向上のための
新規（New）
新しいアプローチ
先行研究では意外性度合いをスコアとして定量化
推薦アイテムとユーザの評価履歴内のアイテムとの差異
既存の意外性スコア算出方法（履歴の使用法）
i. 全ての履歴を等価として扱う
ii. 直近の履歴のみを使用
[Zheng 15]
[Li 20]
既存の算出法：人気度や嗜好の
変化に伴う意外性の時間的変動を
捉えられない
本研究：時間変化を許容する
ためにスコアを逐次的に算出
推薦時における意外性スコアを
過去のスコアから時系列予測
モデルを用いて予測
既存のセレンディピティ指向推薦
システムと同等以上の推薦性能を
示すか確認
提案システム
概要
提案システムはリランキングアルゴリズム
時系列予測モデルには，[Wang 21] の二重指数平滑化法を採用
ユーザ毎の意外性の受け入れ度合いを定量化
セレンディピティスコア
ベンチマークデータセットとしてMovieLens-100Kを使用
データセット ユーザ アイテム データ タイムウィンドウ
MovieLens-100K
943
1,682
100,000
14
推薦候補アイテムの特定：MF，FM
推薦候補アイテム数：40，最終的に推薦するアイテム数：20
検証システム：POP（人気度）, RAND（ランダム）,
KFN, UAUM, SOG（セレンディピティ指向推薦システム）
評価指標
Recall・NDCG：推薦精度
Unexp：ユーザが推薦を予期できなかったアイテムの割合
Ser：ユーザが推薦を予期できず，有用なアイテムの割合
システム Recall@20 NDCG@20 Unexp@20 Ser@20
POP
4.216
10.97
3.939
2.027
RAND
0.849
4.008
85.53
0.057
KFN
1.426
5.001
97.64
0.073
UAUM
4.558
12.61
89.21
2.205
SOG
5.136
14.34
85.66
2.480
MF + Proposed
5.973
15.00
63.48
3.064
FM + Proposed
4.177
12.75
60.92
2.827
・ ・Ser は MF + Proposed が最も優れている
Unexp は POP を除く比較手法に劣る
→
によって精度指向推薦を好むユーザを判断
Recall NDCG
まとめ・今後の展望
検証システムと比較して，精度とセレンディピティの観点で
同等以上の性能を示した
推薦候補アイテムの特定にLSTMを用いることで関連性の
時間的変化も考慮できるように提案システムを拡張
[Zheng 15] Q. Zheng, C.-K. Chan, and H. H. S. Ip: An Unexpectedness-Augmented Utility Model for Making
ユーザ - 候補アイテム毎にスコアを算出
は予測値
Serendipitous Recommendation, Proc. of the 15th Int. Conf. on Data Min., pp. 216-230, 2015.
[Li 20] P. Li, M. Que, Z. Jiang, Y. Hu, and A. Tuzhilin: PURS: Personalized Unexpected Recommender System for
Improving User Satisfaction, Proc. of the 14th ACM Conf. on Recomm. Systs., pp. 279-288, 2020.
[Wang 21] Y. Wang and L. Han: Adaptive Time Series P#EE220Ciction and Recommendation, Inf. Process.
Manag., vol. 58, no. 3, 2021.