Amazon SageMakerで「Object2Vec」ビルトインアルゴリズムが使えるようになりました

Amazon SageMaker 組み込みアルゴリズム入門

#機械学習

#Amazon SageMaker

#AWS

yoshim

2018.11.13

この記事は公開されてから1年以上経過しています。情報が古い可能性がありますので、ご注意ください。

概要

こんにちは、yoshimです。 SageMakerで「Object2Vec」というビルトインアルゴリズムが使えるようになったので、チュートリアルをやってみました。

1.Object2Vecとは

「Object2Vec」とは「高次元のベクトルを、できるだけ情報量を減らさずに次元削減し、類似した物体を近距離に配置する」手法であり、汎用的なアルゴリズムです。これだけだとよくわからないのでざっくり言うと、「物事の関係性を計算」することができる、というものです。

Object2Vecの紹介ページでは、実用例として下記のものが挙げられていました。例えば、「動画のリコメンデーション」では「人と動画の関係性」や「動画と動画の関係性」を学習することでリコメンデーションに利用することができるようになります。

動画のリコメンデーション
マルチラベルドキュメント分類
文章類似性

「Object2Vec」では、「2つのネットワークを利用している」点が特徴的です。

「Comparator」が2つのネットワークをまとめる役割を果たします。最終的には、「教師データとして投入された物事の関係性との誤差を最小化しつつ、次元削減をする」というフローになります。

例えば、今回実施する「動画のリコメンデーションのチュートリアル」では、「ユーザー情報」、「動画情報」をそれぞれ異なるネットワークに投入している、といったイメージです。

2.チュートリアルの説明

チュートリアルをやっていく前に、チュートリアルの内容についてご説明します。今回実施するのは「動画のリコメンデーションのチュートリアル」のチュートリアルですが、このチュートリアルでは、「どのユーザーがどの動画にどのくらいの評価をするか」をINPUTとして「ユーザーが対象の動画に何点の評価値をつけるかの予測」、「対象の動画をユーザーにリコメンドするべきか否か」、「指定した動画にもっとも類似した動画の提案」をOUTPUTとして出力しています。

上記のように色々なことができるのですが、その反面、学習する前の「データの前処理」には注意が必要です。 (今回実施するチュートリアルでも、学習に利用するデータの前処理に結構時間を割いています)

3.実際にやってみた

コードはチュートリアルをそのまま実行していくだけなので、要点となる「INPUTデータ」、「モデルの評価」について記述します。

INPUTデータ

今回のチュートリアルでは「MovieLens 100k」というデータセットを使います。このデータセットは「1,000人のユーザーが1,700本の映画に対して評価点をつけた」データセットで、合計10万の評価点データになります。また、各ユーザーは最低でも20本以上の映画に対して評価点をつけています。

詳細はこちらをご参照ください。

モデルの評価:ユーザーが対象の動画に何点の評価値をつけるか

ユーザーが「まだ見ていない動画に対して、何点くらいの評価点をつけるか」を予測するタスクでは、回帰予測をしています。この予測の精度を既存のアルゴリズムと比較しており、「Object2Vec」は結構いい順位にいます。

*「RMSE」とは、「root mean squared error」の略称で、小さい方が好ましいです。

モデルの評価:対象の動画をユーザーにリコメンドするべきか否か

このタスクは対象の動画をユーザーにリコメンドした場合に、「見る」と予測した場合は「1」を、そうでないなら「０」を返すタスクです。このタスクでの精度検証は、「validation」データで70%程度の精度が出ていました。

モデルの評価:指定した動画にもっとも類似した動画

このタスクは正解がないため、上記のタスクのような精度評価ができていません。とりあえず「Terminator」に一番類似している動画は何かな、と試してみたところ「Die Hard」がもっとも類似している、という結果を取得できました。

The closest movie to Terminator, The (1984) in the embedding space is Die Hard (1988)

懐かしいですね。他にも「Robocop 3」に一番近いのは「Two if by Sea」だったり、「Bad Boys」に一番近いのは「Grumpier Old Men」と言う結果が返って来たりしました。自分の好みの映画を入れたら、知らない映画がリコメンドされたので、機会があれば見てみたいと思います。