第1回
- 推薦システムのアルゴリズム
- 神嶌敏弘, 人工知能学会誌, Vol. 22, No. 6, pp. 826-837, 2007.
- 人工知能学会誌, Vol. 23, No. 1, pp. 89-103, 2008.
- 人工知能学会誌, Vol. 23, No. 2, pp. 248-263, 2008.
この分野ではお馴染みのサーベイ論文。基本から幅広く知識を習得できる。3回にわたって人工知能学会誌に掲載されたが、今は著者によりまとめられたものがWeb上に公開されている。
第2-3回
- Evaluating collaborative filtering recommender systems
- J. L. Herlocker, et al., ACM Transactions on Information Systems, Vol. 22, No. 1, pp. 5-53, 2004.
こちらも超有名なサーベイ論文で、10年前のものだが今でも十分通用する内容。推薦精度に関する評価指標を中心に紹介されている。精度以外の指標にも触れているが、確立された手法がなかったため簡単な言及に留めている（今でも確立されていないが）。
第4回
- Movie Recommendation with DBpedia
- R. Mirizzi, et al., IIR, pp. 101-112, 2012.
Wikipediaの情報をLOD (Linked Open Data) 形式で公開しているDBpediaを情報源として映画の推薦を行う手法。ジャンルや監督、出演俳優といった属性とその値を用いているところが特徴で、こういった内容ベース的なアプローチと構造化された情報を扱うDBpediaは相性が良い。
第5回
- Recommendation for New Users with Partial Preferences by Integrating Product Reviews with Static Specifications
- F. Wang, et al., UMAP, pp. 281-288, 2013.
Amazonに投稿されているレビューから，カメラであれば重量や価格といった観点（＝属性）に対する嗜好を抽出する。この既存ユーザの嗜好情報を用いて、完全に把握できていない新規ユーザの嗜好 (partial preference) の欠損値を補う手法。レビューの選択基準が不明瞭だが、新規ユーザに対する推薦精度改善手法として面白いアプローチ。
第6回
- Movie Recommender System for Profit Maximization
- A. Azaria, et al., RecSys, pp. 121-128, 2013.
ユーザが好む（高く評価する）可能性が高いアイテムを推薦する、というのがほとんどの推薦システムにおいて目的となっている。その中で、この手法はサービス提供者（主に企業）の利益を最大化することを目的としている。価格（利益）の高い商品や、キャンペーンや在庫処分などの理由でとある商品を優先的に推薦する、というのは企業では既にある程度やっていることだとは思う。ただ、アカデミックな分野ではあまりこういった目的での手法は見られなかったので、面白い手法と思う。
第7回
- Explaining Recommendations: Satisfaction vs. Promotion
- M. Bilgic, et al., Beyond Personalization Workshop, IUI, Vol.5, 2005.
少し古い文献だが、推薦時に理由（なぜそのアイテムが推薦されたが）を併せて提示することでユーザの満足度向上を試みた手法。提案手法は3つあるが、そのなかのNeighbor Style Explanation（協調フィルタリングによる近傍ユーザの評価値分布を推薦理由としてユーザに提示する手法）において、ユーザがその評価に影響され推薦アイテムに対して高い評価をしがちであるという結果。この結果に対して、推薦理由の提示により高い評価に影響を受ける＝推薦アイテムを過大評価することに繋がり満足度が低下する、という考察が興味深い。
第8回
- Finding a Needle in a Haystack of Reviews: Cold Start Context-Based Hotel Recommender System
- A. Levi, et al., RecSys, pp. 115-122, 2012.
ホテルに対するレビューを対象として、属性（立地、サービス、部屋など）への言及の度合いを自然言語処理により推定し、コンテキストベースの推薦に用いている手法。新規ユーザやアイテムに対して推薦精度が低下するcold-start問題への解決策として、コンテキストベースの推薦を行う手法は広く行われている。新規ユーザに対して特に有効なアプローチだが、いずれの手法もアイテムに対する情報が事前に十分得られていることが前提となっている。
第9回
- Item Popularity and Recommendation Accuracy ※有料
- H. Steck, et al., RecSys, pp. 125-132, 2011.
いわゆる「ロングテール」に着目し、不人気アイテムを推薦することに重きを置いた手法。タイトルにAccuracyとあるが精度の検証はせず、アイテムの人気度を考慮した再現率を評価指標としている。着眼点は面白いが、データセットを用いたオフライン実験で検証できる範囲は限られており、そのあたり限界を感じる。
