WeChatの「友達が見ている」の背後にある推奨ロジックを明らかにする

導入

オンラインソーシャルネットワークの台頭により、多くのソーシャルアプリケーションで新しいソーシャルベースの推奨方法が登場しました。WeChatの「見て、友達が見ているよ」推奨システムは、その代表的なアプリケーションの1つです。この記事では、WeChat Kanyi の友達閲覧推奨機能を「Friend-Enhanced Recommendation (FER)」と呼びます。 FER では、WeChat の「Take a Look」シナリオの記事推奨シナリオなど、ユーザーは、これまで一度もインタラクションしたことのない製品について、その製品に対する友人のインタラクション行動を明示的に確認できます (これらの友人は友人推奨サークルと呼ばれます)。従来のソーシャル レコメンデーションとは異なり、FER の一部の友人レコメンデーション サークルは、その重要性と説明可能性により、レコメンデーション結果を大幅に変更する可能性があります。

この友人強化型推奨シナリオのために、著者らは新しい社会的影響に焦点を当てたニューラル ネットワーク (SIAN) を提案しました。 SIAN は、異種情報ネットワークの観点から推奨シナリオをモデル化し、複数の種類の異種情報のノードレベルとタイプレベルで機能を集約し、ユーザーと製品のベクトル表現を学習する注目機能アグリゲータを構築します。さらに重要なことは、SIAN モデルは、友人推薦サークルの影響力を捉えることに重点を置いたソーシャル影響カプラーを設計していることです。

著者らは、2 つの公開データセットと 1 つの Kanyikan データに基づいて広範な実験分析を実施し、比較方法と比較してモデルが大幅に改善されたことを発見しました。特に、データセットを調べる際に、著者は定量的な分析の議論をいくつか行い、興味深い発見と貴重な社会学的パターンをいくつか得ました。

背景

最近では、オンライン ソーシャル ネットワークの普及により、人々はソーシャル プラットフォーム上で自分の意見を表明したり、友人と情報を共有したりすることが増えています。友人は重要な情報源となり、質の高い情報フィルターとなります。友人が交流した（シェアした、いいねしたなど）アイテムはユーザーに大きな影響を与え、ユーザーの将来の興味の対象になる可能性が高くなります。業界には、YouTubeの情報の流れやWeChatの「見てみる」記事の推奨に注目するなど、友人の社会的影響力に焦点を当てた推奨システムも数多くあります。

本論文では、WeChatの「Take a Look」記事推薦シナリオに基づいて、推薦システムにおける友人のユーザー行動への影響を大幅に強化する「友人強化推薦（FER）」システムと呼ばれる新しい推薦シナリオを定式化しました。従来のソーシャル レコメンデーションと比較して、友達強化レコメンデーションには主に 2 つの違いがあります。

（１）友人はユーザーに高品質な商品を提供するための高品質な情報フィルターとみなすことができるため、友人強化型レコメンデーションではユーザーが交流した商品（読んだ記事）のみをレコメンドする。

（２）特定の商品とやり取りしたすべての友達が現在のユーザーに明示的に表示されます。つまり、現在のユーザーはどの友達が現在の商品とやり取りしたかを知ることができます。この機能は、明示的な社会的影響がユーザーの行動に与える影響を強調し、ユーザーの行動の解釈可能性にも役立ちます。

図1. 友人強化型推薦シナリオ

左側には、Jerry に推奨された 2 つの記事のシナリオが表示され、その下には、2 つの記事に反応した (共有、いいねなど) 友人 (Tom など) が表示されます。右側は、友人がインタラクトした記事のみが推奨され、そのアイテムにインタラクトした友人がユーザー Jerry に明示的に公開される、友人拡張推奨問題の形式化を示しています。

図 1 は、WeChat の「Take a Look」シナリオの正式な例を示しています。各ユーザーとアイテムのペアについて、友達強化型推奨では、現在のアイテムとやり取りした友達のセットが明示的に表示されます。このセットは、現在のユーザーの現在のアイテムに対する友達紹介サークル (FRC) として定義されます。たとえば、AirPods に関する記事の場合、Jerry の友人推薦サークルは {Tom、Lily、Jack} です。従来のソーシャル レコメンデーションでは、友人のレコメンデーション サークルは Jerry には表示されません (Jerry には表示されません)。そのため、Jerry は自分の興味に基づいて記事を読むことができます。ただし、友人強化型推奨シナリオでは、友人推奨サークルがユーザー Jerry に明示的に表示されるため、技術専門家 Tom が AirPods に関する記事を読んでいるため、Jerry がその記事を読む可能性が高くなります。ジェリーがディズニーランドに関する記事を読んだのは、彼の妻リリーがそれを読んだからである可能性は十分にあります。さらに、記事がテクノロジーに関連している場合、専門家と記事の共起は、妻とテクノロジー記事の共起よりもジェリーに対してより大きなカップリング効果をもたらしますが、エンターテイメントの場合はその逆になる可能性があります。

したがって、友人強化型推奨シナリオでは、複数の要因がユーザーの行動に影響します。ユーザーが記事を読んだりクリックしたりする理由は、次のようなものが考えられます。

（１）記事（記事自体）に対する自身の関心

（２）専門家の推薦（論文と友人の組み合わせ）

（３）友人をフォローする（友人）

友人強化型の推奨シナリオでは、ユーザーは自分が興味のあるコンテンツを視聴するだけでなく、友人が視聴しているものをこっそりと調べる傾向があることがわかります。従来のソーシャル レコメンデーションはソーシャル情報を組み合わせてアイテムを推奨することに重点を置いているのに対し、友達強化レコメンデーションはアイテムと友達の組み合わせを推奨することを目的としているとも言えます。

友人強化型推奨の主な特徴として、明示的な友人推奨サークルは、この推奨シナリオに 2 つの課題をもたらします。

（１）複数の異質な要因から重要な情報をどのように抽出するか？友人強化型推奨シナリオには、アイテム コンテンツ、友人推奨サークル、ユーザーとアイテムのインタラクション動作など、複数の異種ターゲットが含まれます。これらの要因の影響は、ユーザー、アイテム、友人推奨サークルの組み合わせによっても異なる場合があります。したがって、友人強化型推奨シナリオは、ユーザーの製品に対する好みを学習する必要があるだけでなく、さまざまな要因が友人に与える影響を予測する必要があるため、より困難になります。

（２）明示的な友人推薦サークル情報をどのように活用するか？明示的な友人サークルの推奨は、推奨におけるソーシャル情報の重要性を大いに強調します。これは、友人強化の推奨シナリオでは極めて重要です。しかし、実際の推薦における友人推薦サークルの影響と特徴を調査した研究はほとんどありません。したがって、友人強化型推奨シナリオで明示的な友人推奨サークル情報を最大限に活用するには、適切に設計された戦略が必要です。

これらの問題に対処するために、著者らは新しい Social Influence Attentive Neural Network (SIAN) を提案しています。具体的には、SIAN は、友人強化型推奨を、異種ソーシャル グラフ上のユーザーとアイテムの相互作用予測タスクとして定義し、豊富な異種情報を異種オブジェクトとそれらのインタラクティブな接続に柔軟に統合します。まず、ノードレベルとタイプレベルの特徴集約を同時に考慮して、ユーザーとアイテムの表現ベクトルを学習する注意深い特徴集約器を設計します。次に、著者らは、明示的な友人推薦サークルを通じて伝播される結合された影響をモデル化するために、ソーシャル影響カップラーを実装しました。これは、注意メカニズムを利用して、複数の要因 (友人やアイテムなど) の影響を結合します。全体として、SIAN モデルは、友人強化型推奨シナリオにおける貴重な多面的な要素を捉え、異種情報ネットワークと明示的な友人推奨サークルからユーザーの最も基本的な好みをうまく抽出します。

モデル構造

図2. SIANモデルの概要

まず、同じタイプの異なる近傍が特徴集約に異なる貢献をする可能性があり、異なるタイプには多面的な情報が含まれていることを考慮して、著者らは階層的なノードレベルおよびタイプレベルの注目特徴集約器を設計します。各レベルで、注意メカニズムは近隣とタイプの潜在的な相関関係を区別して捕捉し、SIAN モデルが多面的な異種情報をよりきめ細かくエンコードできるようにします。これまでの研究とは異なり、SIAN では事前の知識に基づいてメタパスを手動で選択する必要がありません。

次に、著者らは、影響力のある友人（トムなど）とアイテム（ディズニーランド関連の記事など）の結合された影響を捕捉するための社会的影響カップラーを設計し、それによってそれらの結合された影響の度合いを定量化しました。最後に、友人推薦サークルからの複数の結合された影響が注目度と融合され、友人推薦サークル全体が現在のユーザーとアイテムに与える影響を表します。

実験分析

著者らは、2つの公開データセット（YelpとDouban）とWeChat Look Data（FWD）に基づいて、広範な実験評価と分析を実施しました。データセットの統計情報を以下の表 1 に示します。

表1.データセットの統計

主な実験では、著者らは 4 つの代表的な方法を比較し、異なる表現次元でのモデルのパフォーマンスを報告しました。結果は表 2 に示されています。提案された SIAN モデルは、複数のデータセットの比較方法よりも大幅に優れていることがわかります。特に、従来のソーシャル推薦方法と比較して、SIAN モデルは、友人強化推薦シナリオのさまざまな社会的要因をエンコードするソーシャル影響カプラーの能力のおかげで、依然として優れたパフォーマンスを発揮し、友人強化推薦におけるソーシャル影響の重要性をさらに裏付けています。

表2. ユーザー行動予測実験結果

第二に、著者らは多面的な異種情報の影響を分析した。注目特徴集約器では、各ノードのベクトル表現は、異なる重みを持つさまざまな種類の異種近傍から集約されます。著者は分析し、SIAN モデルによって学習された友人タイプの注目重みの平均値がアイテムタイプの注目重みの平均よりも大幅に大きいことを発見しました。これは、SIAN モデルがユーザーの社会的関係にもっと注意を払っていることを示し、友人推奨サークルが友人強化推奨において最も重要な要素であることを確認しました。実験結果を図3に示します。

図3. 複数の情報の影響の分析

さらに、WeChat Kankanデータセットでは、ソーシャル影響カプラーの影響の強さを通じて、さまざまなユーザー属性が友人強化型推奨シナリオにおけるユーザー行動にどのように影響するかを分析し、興味深い発見が得られました。たとえば、図 4(a) では、ユーザーの行動はより権威のある友人の影響を受けていますが、ユーザー自身の権威とは何の関係もないことがわかります。同時に、権威の高い友人は、中程度の権威を持つユーザーに対してより大きな影響力を持っています。ユーザーは通常、権威のある人から影響を受けやすく、これは私たちの常識と一致しています。したがって、友人強化型推奨のシナリオでは、ユーザーが自分の実際の好みよりも上司や権威者の好みに注意を払うことがあるという興味深い現象が発生する可能性があります。また、友人強化型推奨シナリオでは、他の基本的なユーザー属性がユーザーの行動に影響を与えることも確認しました。

図4. 社会的影響分析

要約する

本研究では、著者らはWeChat Kanyiの推奨シナリオ、つまり現在のアイテムとやり取りした友人を明示的に表示する友人強化推奨を初めて正式に定義しました。この新しく広く使用されている推奨シナリオのために、著者らはソーシャル インフルエンス アテンティブ ニューラル ネットワーク (SIAN) を提案しました。SIAN モデルは、2 レベルのアテンション アグリゲータを通じてユーザーとアイテムの表現を学習し、友人推奨サークルで影響力情報を抽出するためのソーシャル インフルエンス カプラを設計します。実験結果では、SIAN が 3 つの現実世界のデータセットで最先端のベースラインを大幅に上回る性能を発揮し、豊富なモデル分析によって興味深い社会学的パターンが明らかになりました。

今後、WeChatの「友達が何を見ているか見る」に代表される友達強化型のおすすめ機能は、おすすめを通じてユーザーと世界をつなぎ、人々が情報を得るための重要な手段になると考えています。友人による強化された推薦に関する研究はまだ初期段階であり、今後さらに新たな研究と分析が行われることを期待しています。

著者: 陸元福

出典: 北京郵電大学 GAMMA ラボ (BUPT_GAMMA)

原題: WeChat の「友達が見ている」の背後にある推奨ロジックを明らかにする

キーワード: