エージェントベースシミュレーションによる確率潜在空間モデルを用いた推薦システムの評価

抄録

従来，一般的な推薦システムに関する研究では，モデルの性能はベンチマークデータを用いて評価されていることが多い．このような方法では，実際の状況を再現した評価が難しいことも多い．そのため，エージェントベースシミュレーション（以下，ABS）によって，協調フィルタリングの性質を調べようとする研究がなされている．しかしながら，これらの研究はメモリベース型の協調フィルタリング（以下，CF）に限定されていた．一方，近年では潜在変数モデルを用いたモデルベース型CFが提案されており，その性質を調べることも大きな意義がある．そこで本研究では，ABSの技法を用い，モデルベースCFの一手法であるFlexible Mixture Model（FMM）の性能評価を行う．具体的には，初期段階の立ち上がりの速さ，設定する潜在クラス数による予測精度の変化，モデルの再構築タイミングの違いについて，FMMを用いた市場モデルと推薦モデルを構築し，ABSを用いてFMMの性能を検討した．その結果，システム構築初期の性能が比較的高いこと，潜在クラス数が多いモデルを用いた場合に予測性能が高いこと，毎期の再学習をしなくてもある程度の性能が保たれることが明らかとなった．