DEIM Forum 2019 H7-2 163 8677 1 24 2 E-mail: em18011@ns.kogakuin.ac.jp, kitayama@cc.kogakuin.ac.jp Web 1 Tripadvisor 1 2 1 1https://www.tripadvisor.com/ 2https://www.jalan.net/kankou/ 1 2 3 4 5 6 7 2 2. 1 [1] Flickr [2] Cheng [3]
1 2 2. 2 [4] () () [5] [6] Gick [7] [8]. 3 [5][9] 3 3. 1 2016 9 [10] 1 Python gensim 3 Distributed Bag-of-Words 300 MeCab [11] mecab-ipadic-neologd 4 () 3. 2 3https://radimrehurek.com/gensim/models/doc2vec.html 4https://github.com/neologd/mecab-ipadic-neologd/
表 1 形態素解析の例 リ 場所になる傾向がある 他の例として 京都の寺院の中に 金閣寺 と 清水寺 が レビュー文書 どよい きれいに清掃などもされていて 気分がよ 存在する場合を考える このとき 金閣寺 の相対的特徴は 金色 金箔 輝きなどである 一方 清水寺 の相対的特徴 は 舞台や一望などである どちらも京都にある寺院であるた 園内も広く 気分転換に散歩したりするのにちょう いです 形態素解析 園内 広い 気分転換 散歩 ちょうど よい きれい 清 掃 気分 よい め 京都や寺院に関連する特徴は相対的特徴にならない その 代わりに より詳細な特徴が相対的特徴として得られる rstate,i = si average(sstate si ) (1) 相対的特徴ベクトル rstate,i は 式 1 として定義される 相 対的特徴ベクトルは そのスポット自体の特徴ベクトルから他 のスポットの特徴ベクトルの平均を引いた値によって得られ る Sstate = {s1, s2,..., sn } は 既訪問スポット集合や未訪問 スポット集合となっている state は f のとき 既訪問スポッ ト集合として定義する state は u のとき 未訪問スポット集 合として定義する si は集合 Sstate 内の観光スポットの特徴ベ 図 3 プロトタイプシステムのユーザインターフェース クトルを示している 3. 3 説明スポットの決定 TFIDF 値を求める 次に 2 つのスポットの共通する特徴語 未訪問エリア内のスポットは既訪問スポットを使って説明す る したがって 未訪問スポットと既訪問スポットを 既訪問 スポット rf,i と未訪問スポット ru,j の相対的特徴ベクトルに のスコアとして TFIDF 値の調和平均を計算する 最後に ス コアが高い特徴語を説明可能な単語として抽出する スポット内のキーワード特徴量は 式 3 で定義する ( よって計算された類似度に基づいて関連付けを行う 図 2 類 T F IDF (t, d, state) = T F (t, d) log 似度計算には コサイン尺度 (式 2) を用いる cos(rf,i, ru,j ) = rf,i ru,j rf,i ru,j (2) 関連付け手順について説明する まず 特定のスポットに最 も類似度が高いスポットと関連付ける このとき 類似度が閾 値 (本研究では 0.125) 以下である場合は関連付けを行わない Sstate DF (t, state) ) (3) T F (t, d) は 文書 d においてのキーワード t の数である d は スポットのすべてのレビューを 1 つにまとめた文書である DF (t, state) は キーワード t を含む文書の数である Sstate はスポットの総数である state が f の場合 ユーザが入力し また 未訪問スポットと類似度が最も高い既訪問スポットと関 た既訪問スポット集合を使用して TFIDF 値を計算する state 連付けられているか 既訪問スポットと類似度が最も高い未訪 が u の場合 ユーザが入力したエリアに含まれている未訪問ス 問スポットと関連付けられているかによって結果が異なる ポット集合を使用して TFIDF 値を計算する 前者の方法では すべての類似度が閾値を超えると すべて の既訪問スポットに対応するスポットがあるが すべての未訪 問スポットに対応するスポットがあるわけではない 一方 後 者の方法では すべての類似度が閾値を超えると すべての未 2 つのスポットに共通する特徴語の TFIDF 値の調和平均 を用いて 関連付けした既訪問スポットと未訪問スポットの 説明可能なキーワードを抽出する まず 既訪問スポットと 未訪問スポットのレビュー文書でよく出現する単語を抽出す 訪問スポットに対応するスポットがある 本手法では 未訪問 る 次に 抽出した単語のスコアは式 4 によって定義する スポットを説明するために後者の方法を採用する T F IDF (t, d, f ) と T F IDF (t, d, u) は同じ単語がそれぞれ既訪 問スポットの TFIDF 値と未訪問スポットの TFIDF 値を示し 3. 4 説明スポットの役割語の抽出 未訪問スポットと既訪問スポットの関係性を表すキーワード ている 単語スコアの値が大きいのとき その単語は各スポッ トにおいて重要度が高いことを示している よって 単語スコ をユーザに提示する しかし 相対的特徴ベクトルから単語の アの上位 N 個の単語が説明情報としてユーザに提示する (図 特徴を得ることはできないので 他の方法を使って単語を抽出 3) する 前提として すべてのレビューは日本語の形態素解析器 MeCab score(t, d) = 2 T F IDF (t, d, f ) T F IDF (t, d, u) (4) T F IDF (t, d, f ) + T F IDF (t, d, u) によって単語を分割する 3. 1 節の mecab-ipadic-neologd 辞書を利用する しかし 助詞 助動詞 連体詞 記号 ストッ プワードを削除する (表 1) 3. 5 未訪問スポットの説明情報の例 表 2 は ユーザ既訪問スポット集合と未訪問スポットの集合 キーワード抽出手順について説明する まず TFIDF 法を の例を示している 未訪問スポットは東京都内からランダムに 使って対象となる既訪問スポットと未訪問スポットの特徴語と 選んだ 5 つのスポットである 表 3 は 3 節で提案した方法を
2 (R) 2 2 4 4. 1 3 A B C () A B 3. 1 3. 4 TFIDF A 2 5 score(t, d) = T F IDF (t, d, f) + T F IDF (t, d, u) 2 (5) B 2 6 score(t, d) = T F IDF (t, d, f) T F IDF (t, d, u) (6) 5 6 T F IDF (t, d, f) T F IDF (t, d, u) TFIDF TFIDF N 4. 2 CrowdWorks 5 23 4 10 A C (N < = 5) 5 5 1 1 2 2 3 2 4 2 5 2 4. 3 4 A C 1 5 B 2 B A C 2 3 A C A 5 C 2 3 C 5 5. 1 3 D () E () 5https://crowdworks.jp/
3 4 A B C 1 0.00% 0.00% 0.00% 2 28.28% 31.31% 29.29% 3 35.35% 31.31% 35.35% 4 10.10% 14.14% 12.12% 5 26.26% 23.23% 23.23% 6 D E C 1 0.00% 0.00% 0.00% 2 41.30% 33.85% 29.36% 3 43.48% 47.69% 48.62% 4 2.17% 2.31% 2.75% 5 13.04% 16.15% 19.27% 5 D E C 1 0 0 0 0 2 19 44 32 95 3 20 62 53 135 4 1 3 3 7 5 6 21 21 48 46 130 109 285 C () D 3 1 1 2 1 12 D 3. 4 E 3. 1 3. 4 CrowdWorks 24 4. 2 5. 2 5 DE C 285 D E 6 1 5 D 2 D 7 E& 2 56.82% 43.18% C& 2 71.87% 28.13% E& 3 51.61% 48.39% C& 3 52.83% 47.17% C() 2 3 C 5 2 3 D D 2 3 2 3 2 3 E 3 5 E C 7 2 3 C E
8 a 9 b 6 6. 1 a b () 4 10 2 a b. 2 1 2 6. 2 a b 12 38 8( a) 9( b) a b 10 40 2 b a 2 80% b b 7 3 3 30 (C)( 18K11551) [1] T. Kurashima, T. Iwata, G. Irie and K. Fujimura., Travel route recommendation using geotags in photo sharing sites, CIKM 10 Proceedings of the 19th ACM international conference on Information and knowledge management, pp.579-588, 2010 [2] R. Kitamura and T. Itoh, Tourist Spot Recommmendation Applying Generic Object Recognition with Travel Photos, ITE Tech. Rep., Vol.42, No.12, AIT2018-94, pp.185-188, 2018 [3] A. J. Cheng, Y. Y. Chen, Y. T. Huang and Winston H.
Hsu, Personalized Travel Recommendation by Mining People Attributes from Community-Contributed Photos, MM 11 Proceedings of the 19th ACM international conference on Multimedia, pp.83-92, 2011 [4] K. J. Holyoak and P. Thagard, Mental Leaps: Analogy in Creative Thought, MIT Press, Journal of Japanese Society for Artificial Intelligence, Vol.11, No.3, pp.489, 1996 [5] D. Gentner, Structure-Mapping: A Theoretical Framework for Analogy, Cognitive Science, Vol.7, pp.155170, 1983 [6] M. L. Gick and K. J. Holyoak, Analogical Problem Solving, Cognitive Psychology, Vol.12, pp.306355, 1980 [7] M. L. Gick and K. J. Holyoak, Scheme Induction and Similarity in Analogical Transfer, Cognitive Psychology, Vol.15, pp.138, 1983 [8] Z. Chen and M. W. Daehler, Positive and Negative Transfer in Analogical Problem-solving by 6-years-old Children, Cognitive Development, Vol.4, No.4, pp.327344, 1989 [9] K. J. Holyoak and P. Thagard, Analogical Mapping by Constraint Satisfaction, Cognitive Science, Vol.13, pp.295355, 1989 [10] Quoc V. Le and Tomas Mikolov, Distributed representations of sentences and documents, In Proceedings of the 31th International Conference on Machine Learning, ICML 2014, pp. 11881196, 2014 [11] T. Kudo, K. Yamamoto and Y. Matsumoto, Applying Conditional Random Fields to Japanese Morphological Analysis, Proceedings of the 2004 Conference on Empirical Methods in Natural Language Processing (EMNLP-2004), pp.230-237, 2004