http://w.atwiki.jp/ut_ymgc/ ut_ymgc @ サーベイ ja 2011-08-02T06:03:32+09:00 1312232612 https://w.atwiki.jp/ut_ymgc/pages/23.html **ABSTRACT CFに基づく情報推薦は、ユーザとアイテム間の評価データが非常に疎であるためにうまくいかないことがある。そこで本稿では信頼ネットワーク上でユーザ間の信頼を伝搬させ、従来のCFにおけるユーザ間の類似度として用いる。Epinion.comのデータセットを用いた実験では、信頼ネットワークを用いた情報推薦が有効であることが示された。 **INTRODUCTION 情報推薦システムにはCF(Collaborative Filtering)が良く使われるが、多くのデータセットはユーザとアイテム間の評価データが非常に疎であるために、CFを基にした推薦システムはうまくいかないことがある。CFは自分と類似するユーザが高く評価したアイテムは自分も好む可能性が高いという考えに基づいているが、疎なデータのもとでは、そもそもユーザ間の類似度を測ることは難しい。 上記の問題を解決するために信頼ネットワークというものを利用する。信頼ネットワークとはユーザ間の信頼を表すネットワークで、ユーザがどのユーザを信頼しているかを明示的に表している。この信頼ネットワークから、ユーザ間の類似度ではなく、ユーザ間の信頼関係を求め、ユーザが信頼する他のユーザが高く評価するアイテムは好む可能性が高いという仮定を置く。 **MOTIVATION CFには二つの問題がある。一つはデータが疎であるためにユーザの類似度が計算できない、あるいは計算できても精度が低いという問題。もう一つは、推薦の精度を下げる攻撃が出来るという問題。あるユーザの評価パターンを完全にコピーした攻撃者がいたとすると、ユーザと攻撃者の間の類似度は最も高くなってしまう。そのため、今後攻撃者が高く評価したアイテムはユーザが好むと判断されてしまう。 **OUR PROPOSAL: TRUST-AWARE RECOMMENDER SYSTEMS ***Trust networks and trust metrics 信頼ネットワーク上では、それぞれのユーザ間の信頼関係を基に全体のユーザの信頼性を評価する。信頼性の評価方法はいくつかあるが、主要なものにはローカルな信頼性とグローバルな信頼性がある。ローカルな信頼性とは、あるユーザから見た主観的な信頼性であり、決まったユーザに対する信頼性はユーザご 2011-08-02T06:03:32+09:00 1312232612 https://w.atwiki.jp/ut_ymgc/pages/22.html *適当なまとめ クラスタベースでambiguityとredundancyを評価した。タグとリソースをクラスタリングする。ambiguityは異なるクラスタに属すリソースに付けられるタグに対して大きくなる。redundancyは推薦したタグのうち、同じクラスタに属すペアの割合が大きければ大きくなる。 *ABSTRACT -tag ambiguity --一つのタグが複数の意味を持つ -tag redundancy --複数のタグが共通の意味を持つ これらはタグ推薦の精度や評価を妨げる。本研究では５つのタグ推薦手法（人気度、協調フィルタリング、リンク分析）を調査し、これらの影響を調べる。クラスタベースの手法を用いてambiguityとredundancyを定義する。 *INTRODUCTION tag ambiguityとredundancyはタグ推薦の有効性を判断しづらくする。例えば、ambiguityタグが持つ一つの意味が合っていれば正しいタグ推薦をしたと判断してしまう。また、redundancyタグに関しては、正解セットに"Java"があるときに、"java"が推薦されても不正解としてしまう。 本論文ではambiguityとredundancyがタグ推薦にどれくらい影響を与えるかを評価する。クラスタベースの評価手法は言語非依存である。 クラスタベースの手法を用いてambiguityとredundancyを評価 -リソースとタグをクラスタリングする --別のクラスタに属すリソースに付けられているタグはambiguity --一つのクラスタに属すタグはredundancy *RELATED WORK タグ推薦手法 -link analysis -collaborative filtering -entorpy *MEASURING AMBIGUITY AND REDUNDANCY リソースをタグベクトルで表す。タグベクトルの各要素はタグがリソースに付けられた頻度で表す。タグ同士の類似度はコサイン類似度で表す。 タグの類似度は、タグをリソースベクトルで表し、コサイン類似度を用いる。 クラスタリングの精度はhubbert's correlationで測る **Ambiguity Ambiguou 2011-07-23T01:14:16+09:00 1311351256 https://w.atwiki.jp/ut_ymgc/pages/21.html *ABSTRACT タギングシステムにおいて、タグは決められた語彙の中から選択するのではなく、ユーザが自由に付けることが出来るため、表記のゆれが存在する。また、新しいリソースにはあまりタグが付いていないため、数少ないユーザによって特異なタグが付けられてしまう。これは、多くのユーザの観点から付けられたタグではない。そのため、LDAを用いて次元削減を行い、これらの問題を解決する。具体的には、多くのタグが付けられているリソースを基にして、あまりタグが付けられていないリソースに対してタグを推薦する。タグの推薦は、同じ隠れトピックに属するタグを推薦する。提案する手法は従来の相関ルールマイニングを用いるものより良い精度を示した。 *INTRODUCTION アブストと同じ。要は新しいリソースにはあまりタグが付いていない（cold start problem）から、それに対処する。LDAを用いてタグを隠れトピックにマッピングし、同じトピックに属するタグを推薦する。 *TAG RECOMMENDATION **Association Rules 相関ルールマイニングを使ってタグ推薦をする。あるリソースにタグ集合Tが付いている時、TがT1を含み、かつT1→T2という相関ルールがあるなら、T2に含まれるタグを推薦する。 **Latent Dirichlet Allocation -LDAを用いてそれぞれのリソースに対してp(z|r)を推定し、またそれぞれのトピックに対してp(t|z)を推定する。 -あまりタグが付いていないリソースrを考える --rに"photograph", "photo", "howto"が付いている時、その三つが属しているトピックを見る（photographとphotoは同じトピックに属す）。 ---この属しているという概念は、多分p(t|z)が閾値以上であるトピックの事 --二つのトピックに対してp(t|z)が閾値以上であるタグをリソースrに推薦する。 2011-07-15T23:34:42+09:00 1310740482 https://w.atwiki.jp/ut_ymgc/pages/20.html *ABSTRACT タギングシステムの普及によってユーザはコンテンツを探しやすくなった。このタグを推薦システムに導入することによって推薦システムの精度を高める。ユーザのタグへの嗜好を推定し、それを用いてコンテンツを推薦する。 *INTRODUCTION -Amazon, Digg, Netflixなどのサービスは推薦システムを使ってユーザが好みそうなコンテンツを推薦している -推薦システムにおける主な二つのタスク --recommend --predict -タグの意味はユーザが容易に理解できるものであるため、これによってユーザ自身とコンテンツの関係が分かる -例えば、アリスはアニメが好きでいくつかのアニメ映画を見ていた --ある時、Ratatouilleという映画を見ようとしたが、その映画には他のユーザがanimatedというタグを付けていた --アリスがアニメを好きという事実と、この映画に付けられたタグによって、アリスはこの映画を好むだろうという推測ができる --また、pixarというタグをクリックしてIncredibleという映画を身に行くと推測できる -提案するtagommenderでは、まずユーザのタグに対する嗜好を推定し、次にそれを用いて映画への嗜好を推定する --タグへの嗜好は、映画への評価から推定する。 ---例えば、アニメの映画に高い評価をし、ホラーの映画に低い評価をしていれば、アニメ映画についているようなanime等のタグを好み、horror等のタグを嫌うと推定する -タグへの嗜好の推定 --RQ1: ユーザのタグへの嗜好を推定できるか --ユーザのタグ付けの行動や、映画のクリック、タグの質を用いる ---タグの質とは、そのタグによって映画の内容が分かるかどうか。例えば、animated, horrorは映画の内容が分かるが、likeは映画の内容は分からない。 -映画への評価の推定 --tagommenderには暗黙的評価のみを用いるアルゴリズムと明示的、暗黙的評価の両方を用いるアルゴリズムの二つがある --RQ2: 暗黙的な評価のみのシステム上でtagommenderはどれくらい精度良く動くか(e.g., delicious) --RQ3: 明示的な評価もあるシステム上でtagom 2011-07-09T17:06:13+09:00 1310198773 https://w.atwiki.jp/ut_ymgc/pages/19.html *ABSTRACT 協調フィルタリング(CF)は主要な推薦アルゴリズムであるが、時間を考慮できていない。すなわち、ユーザがアイテムに対していつ評価を行ったかを考慮していない。ユーザの興味は時間を追って変化していくと考えられるため、時間軸を考慮しないのはおかしい。本稿では、古い評価には小さな重みを与えることで時間軸を考慮した協調フィルタリングを提案する。提案する手法は、クラスタリングを用いて異なるアイテムを区別する。それぞれのクラスタに対してユーザの興味を追っていき、その評価行動に基づいてdecay factorを取り入れる。実施した実験によると計算のオーダを上げることなく精度の向上を実現した。 *INTRODUCTION -CFはユーザベースとアイテムベースがあるが、アイテムベースの方がスケーラビリティや精度が優れている -ユーザの興味は時間を追って変化するため、新しい評価の重みを大きくするべき。 -時間を考慮する簡単なやり方としてウィンドウサイズを設けるものがある --しかし、新しいデータのみを用いるこの手法ではデータが疎であるという問題をより強くしてしまう。 -本稿では、それぞれのアイテムに対して適切な時間重みを与える --あるユーザはすぐに興味が変わってしまうが、別のユーザはゆっくりと変わっていく --同一のユーザであっても異なるアイテムに対しては違った時間的変化を見せる --提案手法では、ユーザは類似するアイテムに対しては類似する時間的変化を見せると仮定する --アイテムをクラスタリングし、それぞれのクラスタに対してのユーザの評価行動を分析し、それぞれのユーザに特化したdecay factorを与える。 *RELATED WORK -コンセプトドリフトに関する研究がいくつかあるけど、本手法はそれに似ている。 --ユーザの興味はコンセプトドリフトみたいに変わっていくから、古いデータをそのまま使っていてはいけない *TIME WEIGHT ALGORITHMS -本手法の主なアイデア --それぞれのアイテムに対して適切な時間的重みを与える --より新しい評価データにはより大きな重みを与える **Item-based Collaborative Filtering Algorithms -アイテムベースの協調 2011-07-06T08:25:26+09:00 1309908326 https://w.atwiki.jp/ut_ymgc/pages/18.html *ABSTRACT ソーシャルメディアの普及に伴って、ソーシャルメディア上の情報（アップデートや友人の行動など）は膨大になっている。本研究では、ユーザが興味を持つようなアップデートを特定し、ユーザ個人への負荷を減らす。ユーザの興味に合致するようなアップデートを特定し、ユーザへ推薦する。ユーザの興味はユーザのソーシャルネットワーク上での行動履歴を基に推定する。 *INTRODUCTION SNSを利用するユーザはいろいろなアクションをとる -写真やビデオのアップロード -グループへの加入 -だれかと友人になる -コメントをポストする -友人や他人のコンテンツを閲覧する SNSはユーザに対して、そのユーザの友人が撮ったアクションをフィードの形で提供する。 しかし、大量のフィードが生成されるため、ユーザは自分が興味のあるコンテンツを見つけることが難しい。 ユーザとフィードアイテムの適合性を算出し、適合性の高いフィードアイテムの集合を、ユーザに推薦する。 どのようなユーザアクションが最もユーザの興味を表すかを調査 short term user interest modelと、long term user interest modelのどちらの精度が高いかを検証する *SOCIAL NETWORK ACTIVITY FEEDS それぞれのフィードアイテムは次の四つの部分からなる -subject: 誰がそのアクションを行ったか -action: どんなアクションを行ったか -object: 何に対してアクションを行ったか（ユーザ、もしくはコンテンツ） -time: いつアクションを行ったか フィード生成は近年注目を集めている -facebookが動的にフィードを生成する特許を取っている facebookやmyspaceなどのSNSにはユーザが自分のフィードをカスタマイズする機能を持っている -この友人のアクションは表示させないとか -カスタマイズするのに時間がかかってしまう facebookはフィードの表示方法を二通り用意している -人気順に並べるもの -新しい順に並べるもの 全ての友人の全てのアクションをフィードに表示させるのは現実的でない -膨大な数のフィードアイテムは 2011-06-22T11:54:37+09:00 1308711277 https://w.atwiki.jp/ut_ymgc/pages/17.html *CHAPTER 9 - A SURVEY OF LINK PREDICTION IN SOCIAL NETWORKS **ABSTRACT -リンク予測(link prediction): ネットワーク構造の可観測な一部分を手掛かりに、残りの部分のネットワーク構造を予測する事。または、現在のネットワーク構造を手掛かりに、未来のネットワーク構造を予測すること。 -リンク予測は情報検索やbioinfomatics, e-commerceに応用されている重要なタスクとなっている。 -様々な手法があるが、本章では以下の三つを説明する --基本的な(non-Baysian)手法 --確率的な手法 --線形代数的な手法（？） -最後に最新の研究のサーベイについて説明する *CHAPTER 10 - PRIVACY IN SOCIAL NETWORKS **ABSTRACT -ソーシャルネットワークにおけるプライバシーについてサーベイ -プライバシーの穴（privacy breaches)やプライバシーを破る攻撃(privacy attack)を定義 -プライバシーを匿名化という文脈で定義し、匿名化の手法について説明 *CHAPTER 11 - VISUALIZING SOCIAL NETWORKS **ABSTRACT -ソーシャルネットワークの普及に伴い、それをマイニングすることが重要になっている -しかし、大規模化、複雑化に伴って簡単な統計では不十分になっている -そこで、ソーシャルネットワークをビジュアライズすることでマイニングする方法が流行っている -ネットワーク構造やネットワークの意味など、異なる目的にどう対応するか *CHAPTER 12 - DATA MINING IN SOCIAL MEDIA **ABSTRUCT -本章では以下を説明 --データマイニングの基本 --ソーシャルメディアのレビュー --ソーシャルメディアをどのようにマイニングするか --いくつかのSNSやブログを対象に、例を示す *CHAPTER 13 - TEXT MINING IN SOCIAL NETWORKS **ABSTRUCT -ソーシャルネットワークをマイニングするにはテキストマイニングが欠かせなくなってい 2011-06-21T20:24:49+09:00 1308655489 https://w.atwiki.jp/ut_ymgc/pages/16.html *ABSTRACT Twitterのコンテンツ推薦をする。コンテンツ推薦には、コンテンツ、ユーザのトピック興味、ソーシャルな投票の三つを用いる。１２個の推薦システムを作成し、実際に使ってもらって評価した。一番良いアルゴリズムは７２パーセントの精度を示した。 *INTRODUCTION 情報爆発に伴い、ユーザは情報のフィルタリングと、情報の発見の二つを求めている。 -ユーザは毎日何百ものコンテンツを受信している。これはユーザが見られる量を越えている。 --フィルタリングが必要 -自分のフィードに現れないが、興味のあるコンテンツを探したい。 --友人の友人が発信したwebページや、友人が読んでいるフィードに現れるブログなど 一つのアプローチとして、ユーザの興味に見合ったコンテンツ推薦がある -情報ストリームには他の分野とは異なる三つの特徴がある --ストリームに現れるコンテンツは発信されてから少しの間だけおもしろい。そのため、推薦システムは常にコールドスタート問題の状態になる --ユーザは他のユーザのストリームを閲覧したり、他のユーザとコンテンツを共有したりできる。 --ユーザはコンテンツを閲覧するだけでなく、コンテンツの発信者になり得る。 -推薦システムは、これらの特徴を用いている URL推薦システムを提案する -www.zerozero88.com *RELATED WORK コンテンツ推薦において最もよく用いられているのは協調フィルタリング -コンテンツを用いない（内容を用いない）で、ユーザの興味を用いる。 -ユーザとアイテムの関係が少ないコールドスタート問題がある --コンテンツのテキストベースの特徴を用いることで回避することが多い -一人のユーザの情報では少ないため、ユーザをグループにまとめてその情報を用いる手法がある ソーシャルな情報を用いたコンテンツ推薦もある -ニュースグループに対して、頻繁にポストされるURLを推薦する -ユーザから他のユーザへの意見を基にコンテンツを推薦する -友人の友人が友人ではないかと推薦するシステム --類似するキーワードを用いた友人推薦より高い精度 Twitterから発信される情報量は膨大であるため、スケーラブルな推薦システムが必要 -ユーザをクラ 2011-06-17T12:10:39+09:00 1308280239 https://w.atwiki.jp/ut_ymgc/pages/15.html *ABSTRACT Twitterからはリッチでリアルタイムな情報が多く入手できるが、フィルタリングツールがないために、全てのツイートを受信している。本研究では、リストに注目してツイートをフィルタリングするシステムを提案する。リスト内ではあるトピックに特化したツイートが発信されるが、ノイズも多くある。本システムではリストからのノイズを取り除く。時系列情報や、ツイートに含まれるリンクを利用する。実験によると、本システムは８５から９５パーセントの精度を実現した。 *INTRODUCTION Twitterからあるトピックに関する情報を検索するのは難しい -ユーザは一つのチャネルを用いて情報発信をするため --様々な目的に応じたツイートを発信する（会話、ジョーク、情報の共有） --ユーザが受信しているツイートのうちのいくらかは欲しているものではない -フォローしているユーザからのツイートは一つのフィードとしてまとめられるため --ユーザは様々な興味をもっていて、その興味に応じて様々なユーザをフォローしている --様々なトピックのツイートがひとまとめにされてしまう。 上記二つ目の問題点を解決するためにTwitterはリスト機能を提供した -リストは一つのフィードととらえることが出来る。 -良いリストは情報源として用いられる。 リストは一つのトピックの情報を得るために用いることが出来るが、以下の二つのノイズがある -ユーザは様々なトピックに関する情報発信をするため、リストに関連しないトピックの情報発信をすることもある -Twitter全体を通じてのトレンド。これらはどのようなリストにも登場する。 以上より、ツイートをフィルタリングする機能が必要。しかし、マイクロブログのコンテンツをフィルタリングするのには以下に挙げる課題がある -短いテキスト --短いテキストを分類するのは難しい -トピック推定 --トピックの粒度がいろいろあるため、むずかしい -単語の揺らぎ --略語やスラングを含むため、語彙が大きくなり、wikipediaやwordnetで対応できない --どの単語がキーワードで、どの単語が一般的な単語なのかを判別しなくてはならない。 ---言語が違うため、ストップワードリストは使えない。 -語彙の変化 2011-06-16T02:50:08+09:00 1308160208 https://w.atwiki.jp/ut_ymgc/pages/14.html *Title Recommendation of similar users, resources and social networks in a Social Internetworking Scenario *ABSTRACT -類似ユーザやリソース、social networkを推薦する手法を提案 --一つのsocial networkではなく、複数のsocial networkをつないだもの(Social Internetworking)を対象としている --明示的なつながりだけでなく、潜在的なつながりも考慮する。 ---類似する興味や、類似する行動に基づく。 --意味的な例外を考慮する。（ユーザ、リソース、social networkの説明文？） --ローカルな情報だけでなく、social internetworkingにおけるグローバルな情報拡散も考慮する *Introduction **Motivations -ユーザは一つのSNSだけでなく、複数のSNSを利用する。 --Social Internetworking System (SIS) -Open Socialとか、複数のSNSを横断的に利用できるものが出てきている。 --SIS paradigmを実装したと言える -SISはいろんな良い事をもたらす --あるユーザに関する情報を複数のSNSから収集できれば、そのユーザに対する詳細を知ることが出来る --複数のSNSを利用するユーザがより広く情報を拡散できる -SISを効果的に利用するのは難しい --SISの有効性はユーザ間の交流がより頻繁になり、多くの人々が交流に参加するほど、高まる --ユーザ数、リソース数が増えると、ユーザが手動で類似ユーザや欲しいリソースを探すのは現実的でなくなる。 --SNSの数は増え続けているため、新しく、面白いSNSを人々が手動で見つけるのは面倒な作業となる。 -これらの問題は、自動的にSISを調査し、興味のあるユーザ、リソース、SNSを見つけるツールがあれば緩和される。 -多くのSNSがユーザ推薦やコンテンツ推薦を実装している --類似度に基づく推薦 --新しいSNSを推薦することはできない。 -既存の推薦システムはSISに応用できな 2011-06-13T17:24:42+09:00 1307953482