| Project/Area Number |
23K21724
|
|---|
| Project/Area Number (Other) |
21H03553 (2021-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2021-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 62020:Web informatics and service informatics-related
|
|---|
| Research Institution | The University of Electro-Communications |
|---|
Principal Investigator |
岡本 一志 電気通信大学, 大学院情報理工学研究科, 准教授 (10615032)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
高間 康史 東京都立大学, システムデザイン研究科, 教授 (20313364)
吉田 真一 高知工科大学, 情報学群, 教授 (30334519)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,680,000 (Direct Cost: ¥13,600,000、Indirect Cost: ¥4,080,000)
Fiscal Year 2024: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
Fiscal Year 2023: ¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000)
Fiscal Year 2022: ¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000)
Fiscal Year 2021: ¥9,360,000 (Direct Cost: ¥7,200,000、Indirect Cost: ¥2,160,000)
|
|---|
| Keywords | 情報推薦 / 推薦理由の説明 / 説明の効果 / 協調フィルタリング / 品質評価 |
|---|
| Outline of Research at the Start |
推薦理由の説明は，推薦結果の受容やシステムへの信頼，利用満足度などに寄与することが知られており，その機能強化に資するものである．これまでの推薦理由の説明研究は，行列で表現可能なユーザのアイテムへの評価データ（静的・単一項目）を扱ったものが主流である．本研究は，動的・複数項目の評価データ・ユーザIDの有無が混在といった，より高次の情報や複雑な状況を対象に，推薦理由を説明する情報推薦システムを開発し，理由の説明機能の品質評価法を確立する．
|
| Outline of Annual Research Achievements |
本研究は，動的・複数項目の評価データ・ユーザIDの有無が混在といった，より高次の情報や複雑な状況を対象に，推薦理由を説明する情報推薦システムを開発し，理由の説明機能の品質評価法を確立する．本年度の主な実績は次のとおり．
（１）前年度に開発した価値観に基づき推薦処理と説明を行うシステムについて，生成した推薦説明が推薦アイテムの受容に繋がるかを調査するオンライン評価実験を実施した．実験結果より，線形回帰モデルで推定した価値観より，ルールベースモデルにより推定した価値観がユーザに受容されやすい示唆を得ている．現在，推薦説明が果たす役割（透明性，信頼性，有効性など）が，ユーザのアイテムへの興味に影響を与えるかの観点で実験結果の解析に取り組んでいる．
（２）推薦システムにおける埋め込みは，ユーザやアイテムを連続なベクトル空間上に表現し，インタラクションの学習と推論に使用される．従来の埋め込み法では，ユーザ・アイテム間の関係を捉えられる一方で，ユーザ間あるいはアイテム間の依存関係を無視する可能性がある．本年度では，協調フィルタリングを対象に，葉ノードがユーザとアイテム，その他のノードがクラスタとなる階層関係を明示的に捉えられる階層型埋め込み法を開発した．評価値予測・ランキング予測実験より従来法と同程度以上の推薦精度を確認し，クラスタ分析より提案法の解釈可能性を明らかにしている．
（３）大規模言語モデル（LLM）は推薦説明に活用可能な技術のひとつである．本年度では，推薦システムが出力したアイテムが意外性（セレンディピティ）のあるものかをLLMで判断することにも取り組んだ．評価実験より，LLMによる判断は人間の意外性判断には劣るものの，ベースラインとなるセレンディピティ推薦手法と比べ同等以上の精度を示すことを確認した．得られた知見は，推薦説明エージェントへのLLM応用に活用できると期待される．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2023年度の当初計画では，引き続き説明機能付きの推薦システムの開発を予定しており，開発を進めることができた．加えて，推薦理由の説明効果の評価法に関する調査や，実際にオンライン実験を実施することができた．以上の理由から，おおむね順調に進展していると判断している．
|
| Strategy for Future Research Activity |
2023年度に引き続き，セッションデータや複数項目の評価データを対象とした説明機能付きの推薦システムの開発を行う．併せて，推薦理由の説明効果の評価法について関連研究の調査を進め，2023年度のオンライン実験で得られたデータの解析も実施する．
|
