レコメンダーシステムにおけるインテリジェントなアルゴリズム選択：詳細なアルゴリズム特徴量エンジニアリングによるメタ学習
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.20134v1発表論文。
概要：「ノー・フリーランチ」定理により、いかなるレコメンダアルゴリズムも全ユーザに対して最適とは限らないため、アルゴリズム選択問題が生じる。標準的なメタ学習アプローチはユーザ特徴に基づいてアルゴリズムを選択することでこの問題を解決しようとするが、本質的に多様なアルゴリズム自体を同等な「ブラックボックス」として扱う。本論文では、アルゴリズム自体を明示的に特徴付ける包括的な特徴集合を設計することでこの限界を克服することの影響を調査する。静的コードメトリクス、抽象構文木（AST）プロパティ、動作パフォーマンス指標、高レベルの概念的特徴を組み合わせる。5つのデータセットにおいて、ユーザ特徴のみを用いたベースラインと、ユーザ特徴とアルゴリズム特徴の両方を使った提案モデルの2つのメタ学習器を評価する。その結果、アルゴリズム特徴を追加したメタ学習器は、平均NDCG@10で0.143を達成し、Single Best Algorithmベースライン（0.128）と比較して統計的に有意な11.7%の改善を示した。しかし、アルゴリズム特徴の追加は、ユーザ特徴のみを用いたメタ学習器（0.144）を超える全体的なNDCG@10の改善には繋がらなかった。メタ学習器にアルゴリズム特徴を追加することでTop-1選択精度が向上（+16.1%）した一方で、Top-3精度は低下（-10.7%）した。レコメンダシステムにおけるユーザごとのアルゴリズム選択タスクにおいては、ユーザ特徴の予測力は圧倒的に優勢であると結論付ける。アルゴリズム特徴は選択精度を向上させるが、全体的な性能向上に繋げるためには、依然として非自明な課題が残されている。
原文（英語）を表示
Title (EN): Intelligent Algorithm Selection for Recommender Systems: Meta-Learning via in-depth algorithm feature engineering
arXiv:2509.20134v1 Announce Type: cross
Abstract: The “No Free Lunch” theorem dictates that no single recommender algorithm is optimal for all users, creating a significant Algorithm Selection Problem. Standard meta-learning approaches aim to solve this by selecting an algorithm based on user features, but treat the fundamentally diverse algorithms themselves as equivalent, “black-box” choices. This thesis investigates the impact of overcoming this limitation by engineering a comprehensive feature set to explicitly characterize the algorithms themselves. We combine static code metrics, Abstract Syntax Tree properties, behavioral performance landmarks, and high-level conceptual features. We evaluate two meta-learners across five datasets: a baseline using only user features and our proposed model using both user and algorithm features. Our results show that the meta-learner augmented with algorithm features achieves an average NDCG@10 of 0.143, a statistically significant improvement of 11.7% over the Single Best Algorithm baseline (0.128). However, we found that the inclusion of algorithm features did not lead to an improvement in overall NDCG@10 over the meta learner using only user features (0.144). While adding algorithm features to the meta-learner did improve its Top-1 selection accuracy (+16.1%), this was counterbalanced by leading to a lower Top-3 accuracy (-10.7%). We conclude that for the per-user algorithm selection task in recommender systems, the predictive power of user features is overwhelmingly dominant. While algorithm features improve selection precision, unlocking their potential to boost overall performance remains a non-trivial challenge.
Published: 2025-09-24 19:00 UTC