セレンディピティはトキメキの夢を見せるか？

部署の勉強会もとい布教会での発表資料です。最近推薦システムの領域ではセレンディピティが注目されてきていますが、実際のところユーザーやサービス提供者にとって嬉しいのか、どういった特徴がセレンディピティの知覚に影響するのか、どういった状況で有効なのか、を調べた研究を紹介しています。

Transcript

1. セレンディピティはトキメキの夢を見せるか？ 栗本 真太郎 2022年8月31日・9月30日
2. 2/76 【定義】セレンディピティとはなにか？ 【本編】セレンディピティはトキメキの夢を見せるか？ • セレンディピティは誰を幸せにする？ • どんなアイテムならセレンディピティを感じてもらえる？ • セレンディピティはどんな時に効果的？ 【おまけ】セレンディピティをどう実現するか？ 話すこと
3. 【定義】 セレンディピティとはなにか？
4. 4/76 := 偶然と賢さで、探していなかったものを発見する*1 := ポジティブで意外な発見*2 := 実は自分のニーズにより適した他のものを見つけること*3 := 関連性 × 意外性 (× 新規性)*4 セレンディピティとはなにか？ 1* Letter to Horace Mann (Horace Walpole's Correspondence (1754) 2* Evaluating Collaborative Filtering Recommender Systems (TOIS, 2004) 3* Meditations on Finding Joy and Beauty in Unexpected Places (2008) *4 A survey of serendipity in recommender systems (Knowledge-Based Systems, 2016)
5. 【本編】 セレンディピティはトキメキの夢を見せるか？
6. セレンディピティは誰を幸せにする？
7. 7/76 Q. セレンディピティは誰を幸せにする？ A. ユーザーもサービス提供者も by 香港浸会大学 & アリババのみなさん 断りがない場合、これ以降の図参照元: How Serendipity Improves User Satisfaction with Recommendations? A Large-Scale User Evaluation (TheWebConf, 2019)
8. 8/76 どうして調べようと思ったの？ 精度のみを考慮した推薦は"フィルターバブル"を引き起こすリスクがあり、 セレンディピティは"Beyond-Accuracy"指標の1つとして注目されている が、"意外性"の測定やシミュレーションの難しさから、 セレンディピティの効果をユーザー視点で測定した研究はほとんどなく、 実際どのようなメリットをもたらすかは不明瞭なまま
9. 9/76 Mobile Taobao（EC）上でユーザー調査を実施 • 2017年12月21日〜2018年1月11日 • 2401人（女性1651人）から、以下の回答を収集 • 推薦されたアイテムへの感想 • 年齢や性別などの人口統計学的背景 • 好奇心に関するクイズ どう調べた？
10. 10/76 関連性、新規性、満足度、購入意図に加え 過去購入した商品タイプとの違い、過去の推薦結果との違い、 セレンディピティに特に関連する質問として意外性と セレンディピティ、タイミングの適切さを5段階のリッカート尺度で収集 セレンディピティは、中国のユーザーによく伝わる"惊奇"という単語を使用 推薦されたアイテムへの感想はどう聞いた？
11. 11/76 推薦に対するユーザーの反応に影響を与える可能性がある[29]ため e.g.）好奇心の強い人は予期せぬ推薦をより好む[29, 47] Curiosity and Exploration Inventory-II (CEI-II) [16]により収集 • Stretching（"知識や新しい経験を求める動機"） • Embracing（"日常の新規性、不確実性、予測不能性を受け入れる意欲"） の2因子を具現化した10項目について、5段階のリッカート尺度で収集 なぜ／どのように好奇心クイズを実施？
12. 12/76 • セレンディピティは意外かつ関連するものである[15,19,24] • 新規性や多様性は意外性につながる[15] • タイムリーさとユーザ満足度が購入意向を高める[36] • 好奇心を調整因子として組み込む 仮説経路モデルの構築
13. 13/76 • 多変量正規性の仮定を満たしているかどうか • 多変量尖度値は7.749（Mardiaの係数）、臨界比（c.r.）は5.798であり、 望ましい水準1.96[9]より大きい • 各変数について正規性の検定 • Kolmogorov-Smirnov検定（サンプルサイズ2,000以上の場合に適している[25]）の p値は全て0.001未満で、各変数（好奇心を含む）について正規分布の帰無仮説が棄却 • 多重共線性の確認 • スピアマンの相関係数はいずれも 0.80 以下であり、大きな問題はないことが示唆 仮説経路分析の前のデータチェック
14. 14/76 一変量非正規性を考慮した偏りのない推定値を得るため、 95%バイアス補正信頼区間での500サンプルでブートストラップを IBM SPSS Amosを用いて実行[4] 仮説経路分析の方法
15. セレンディピティ、 満足度や購入意図に効いてそう？
16. 16/76 • 関連性、新規性、過去購入した商品タイプとの違い、タイミングの適切さ、 過去の推薦結果との違いから意外性への因果関係は有意 • セレンディピティには、4つの有意な予測因子が存在： • タイムリーさ、関連性、意外性、新規性 仮説経路分析の結果｜セレンディピティへの道
17. 17/76 • セレンディピティを経由する媒介経路が見られる • タイムリーさ、関連性、新規性からユーザー満足度への因果関係に対して セレンディピティは一定の媒介効果を有していることが示唆 仮説経路分析の結果｜ユーザー満足度への道
18. 18/76 • 購買意図はユーザー満足度、タイムリーさ、関連性、 セレンディピティから有意に影響を受け、 分散の68%がそれらによって説明される • タイムリーさと関連性はユーザーの購買意図に直接影響を与え、 セレンディピティと満足度は主に媒介的な役割を果たすことが示唆 仮説経路分析の結果｜購入意図への道
19. 19/76 • 4つの結果変数（意外性、セレンディピティ、ユーザー満足度、購入意図） について共線性診断を行った結果、多重共線性の問題がないことが確認 • ToleranceとVIF（Tolerance > 0.34, VIF < 3）がいずれも望ましい基準6を満たす 仮説経路分析の結果｜多重共線性のチェック
20. 好奇心の多寡はどう影響する？
21. 21/76 • 中央値分割法[14]でユーザーを好奇心が高い／低い2群に分け比較した • モデルに構造的重み制約を課したところ、 カイ二乗差統計量が有意（χ2 = 45.542, 17 df, p < 0.001）となり、 2群間で経路係数が有意に不平等 仮説経路分析の結果
22. 22/76 • 好奇心が低いグループではタイムリーさから意外性への有意な関係がない • 新規性、意外性、セレンディピティに由来するパスの回帰重みは、 ほとんどが好奇心が高いグループで高い • 結果変数のR2推定値は、全て高好奇心群で高く、 関連する予測変数がより正確に対応する結果変数を推定できる 仮説経路分析の結果｜主要な差異3つ
23. 23/76 • 調整分析を行った結果、以下の3関係で調整効果として作用 • タイムリーさ→意外性、新規性→セレンディピティ、セレンディピティ→満足度 • つまり、好奇心が強い人ほど、 • タイムリーな推薦に意外性を感じ • 斬新な推薦にセレンディピティさを感じ • セレンディピティなアイテムに満足する 傾向があり、好奇心が弱い人はこれらの関係があまり強くないことが示唆 仮説経路分析の結果｜調整分析
24. まとめ
25. 25/76 • タイムリーさや関連性、新規性から満足度や購入意図への影響について、 セレンディピティは媒介的な役割を果たしている • 好奇心が多いとセレンディピティを感じやすく、ポジティブに受け取る まとめ
26. どんなアイテムなら セレンディピティを感じてもらえる？
27. 27/76 A. 人気ではなく、最近見たカテゴリのもので、 カテゴリや分類法的にあまり興味から遠くないもの by 香港浸会大学 & アリババのみなさん Q. どんなアイテムならセレンディピティを感じてもらえる？ 断りがない場合、これ以降の図参照元: The Impacts of Item Features and User Characteristics on Users' Perceived Serendipity of Recommendations (UMAP, 2020)
28. 28/76 どのようなアイテムやユーザの特徴が セレンディピティ性に影響を与えるかを研究した研究はほとんどなく セレンディピティ志向の推薦システムの社会実装を妨げてしまうかも どうして調べようと思ったの？
29. 29/76 1. ユーザーのセレンディピティ知覚に影響を与えるアイテムの特徴は何か？ 2. セレンディピティの知覚に影響を与えるユーザの特性は何か？ 3. この研究はセレンディピティ指向の推薦システムの設計に どのような示唆を与えるか？ RQs
30. 30/76 Mobile Taobao（EC）上でユーザー調査を実施 • 2017年12月21日〜2018年3月17日 • 11383人（女性7769人）から、以下の回答を収集 • 推薦されたアイテムにセレンディピティ性を感じるか • 人口統計学的背景調査 • 好奇心に関するクイズ • Big-Fiveのアンケート • Big-Five：開放性、誠実性、外向性、協調性、情緒不安定性 どう調べた？
31. 31/76 • 非パーソナライズド特徴 • 人気度：人気アイテムかどうか • パーソナライズド特徴 • 時間差：過去に同一カテゴリーのアイテムを購入した時との時間差 • カテゴリー差：分類法の木においてどのカテゴリーレベルで離れているか • 最大6（最上位から違う場合）、最小1（5階層目で共通の葉にいる場合） • ①直近のアイテムとの差、②平均的な差、③最小の差（②③は直近15日のみver.も用意） アイテムの特徴量｜数値型（1／2）
32. 32/76 • パーソナライズド特徴 • 分類学的距離：最小ホップ数 • ①直近のアイテムとの距離、②平均的距離、③最小距離（②③は直近15日のみver.も用意） アイテムの特徴量｜数値型（2／2）
33. 33/76 • 分類法カテゴリー • 商品分類：以下の最もよく使われる2方式を採用 • SEC分類：利用者が製品の評価に必要な情報を十分得ることができるかどうか[9, 26] • 消費者製品分類：消製品を購入するために必要とする労力や潜在的なリスク[8] アイテムの特徴量｜カテゴリー型
34. 34/76 • 年齢や性別などの人口統計学的背景 • Curiosity and Exploration Inventory-II (CEI-II) [14]による 好奇心に関するクイズ • Ten-Item Personality Inventory (TIPI) [10]による 性格（Big-Five）のアンケート • Big-Five：開放性、誠実性、外向性、調和性、情緒不安定性 Chenらの研究（※本編1つめの研究）と同様に、中央値分割法[11]で セレンディピティ知覚が高い／低い2群に分割し以降の分析を実施 ユーザーデータ
35. どんな特徴が セレンディピティに効いてそう？
36. 36/76 • 人気のないアイテムの方がセレンディピティを感じさせやすい • ピアソン・カイ二乗が漸近有意（χ2 = 198.040, df = 1, p < 0.001） • φ係数 = -0.132（p < 0.001） 分析結果｜非パーソナライズド数値特徴
37. 37/76 • 同カテゴリのアイテムを見てから時間があまり経過していない場合、 よりセレンディピティを感じやすい • 時間差の全バリエーションでMann-Whitney U検定が有意（p < 0.001） "最近アクセスしてないカテゴリのアイテムを意外に感じる可能性が高い" という一般的な想定と矛盾 分析結果｜パーソナライズド数値特徴：時間差
38. 38/76 • カテゴリの差は小さい方がセレンディピティを感じやすい • 全バリエーションで有意（※平均では15日のみの履歴考慮の場合に限る） 必ずしも過去クリック／購入したアイテムと 大きなカテゴリーの違いがあるわけではない 分析結果｜パーソナライズド数値特徴：カテゴリー差
39. 39/76 • 分類学的距離についてのセレンディピティの感じやすさは条件次第 • 平均：有意に長い • 最近・最小：有意に短い その人の全般的な興味傾向からは遠く、 直近見た・一番似てるアイテムからは近いものがセレンディピティっぽい 分析結果｜パーソナライズド数値特徴：分類学的距離
40. 40/76 履歴を15日間に固定し相関ルールマイニングを実行して得た 信頼値最大の4ルールが以下 • {"小型家電", "ジュエリー／時計／眼鏡"} Λ "服" → 低いセレンディピティ • {"お菓子／ナッツ／名物", "化粧品／香水／美容器具"} Λ "婦人服" → 〃 • {"トレーナー／フリース／セーター／綿パッド入り服"} Λ → 〃 • {"体験&買い物／検索利便性／検索&名物"} Λ "検索&買い物" → 〃 分析結果｜カテゴリー特徴
41. 41/76 • 年齢が高いほどセレンディピティを感じやすい • 一元配置分散分析で多群間比較し有意（p < 0.001, ボンフェローニ補正済み） • 男性の方がセレンディピティを感じやすい • Mann-Whitney U検定が有意（mean= 2.79 vs. = 2.59, p < 0.001） • 開放性、誠実性、外向性、情緒不安定性が高く、協調性が低いほど セレンディピティを感じやすい • Mann-Whitney U検定が有意 • 好奇心は新しく意外なアイテムに敏感[19]であり、 好奇心は開放性、誠実性、外向性と有意な相関がある[14]という関連研究と一致 • 協調性が負の効果を持ち、情緒不安定性が[14]では負であったが正なのが新発見 分析結果｜ユーザーの特性の影響
42. 42/76 • 若者ほど人気のないアイテムに セレンディピティを感じやすい • 好奇心、開放性、外向性、情緒不安定性が 低いほどカテゴリー差に敏感 （最近&長期／最小＆短期） • 開放性、情緒不安定性が高いほど 分類学的距離（平均）に敏感 分析結果｜相互作用
43. まとめ
44. 44/76 1. ユーザーのセレンディピティ知覚に影響を与えるアイテムの特徴は何か？ • 人気度の低さ、時間差の小ささ、カテゴリ差の小ささ、分類学的距離が、 よりセレンディピティを高いと認識する指標になり得る 2. セレンディピティの知覚に影響を与えるユーザの特性は何か？ • 年配・男性、好奇心、経験への開放性、良心性、外向性が高いほど セレンディピティを感じやすい 3. セレンディピティ指向の推薦システム設計にどのような示唆を与えるか？ • 従来のアイテムベース協調フィルタリングで用いられるcos類似度関数を カテゴリ差の負対数関数に置き換える • ユーザの個人的特徴、特に好奇心や性格的特徴をさらに考慮する • 有意な交互作用は、ユーザーの特性を考慮してある特徴の役割を調整できるかも RQsへの回答
45. セレンディピティは どんな時に効果的？
46. 46/76 A. 出会いにランダム性があり、 ポジティブな出会いで、 自身に十分な知識がないとき by シドニー大学、バーゼル大学、ロイター大学のみなさん Q. セレンディピティはどんな時に効果的？ 断りがない場合、これ以降の図参照元: Serendipity: Chance Encounters in the Marketplace Enhance Consumer Satisfaction (Journal of Marketing, 2021)
47. 47/76 セレンディピティな出会いは楽しい →マーケターがそういった出会いを創造できるだろうか？ どうして調べようと思ったの？
48. 1. 自らの選択による出会いと比べ、ポジティブで意外で偶然の出会いは a. 成果（注：満足度、購入意図）を向上させる b. ↑の効果はセレンディピティの感情によって媒介される 2. セレンディピティの感情による成果向上はポジティブな場合のみ発生する 3. 出会いが決定論的だったという認識は セレンディピティの感情と成果を減少させる 4. 大量の診断情報を提供すると セレンディピティは 望ましいものではなくなり、 自ら選択する場合と比較して 成果が減少する 仮説
49. 仮説1a 自らの選択による出会いと比べ、 ポジティブで意外で偶然の出会いは 成果（注：満足度、購入意図）を向上させる
50. 50/76 • Mechanical Turk (MTurk)でユーザー調査を実施 • 自分で選んだ（個人選択条件） or 選ばれた商品（セレンディピティ条件）が届く サブスク4社のいずれかを利用した人が対象 • 「最近、${企業名}から商品を受け取った時の気持ちを書いてください。」 • 811人から以下についての回答を収集 • 商品満足度 • 消費体験の有意義さ • 他の人にサービスを薦めるか • サブスクを継続するか • セレンディピティの感情の程度 どう調べた？
51. 51/76 個人選択条件と比べ セレンディピティ条件は • 満足度が高い • お薦めする意思が強い • サブスク継続意向が高い • より有意義に感じる • よりセレンディピティを感じる 仮説1aは支持された 2条件4企業の分散分析の結果
52. 仮説1b 1aの効果は セレンディピティの感情によって媒介される
53. 53/76 条件（セレンディピティ vs 個人選択）を独立変数、 セレンディピティを媒介変数としてブートストラップ媒介分析を実施 セレンディピティの間接効果は以下全項目で有意 • 満足度 • 推奨意欲 • 購読延長意欲 • 有意義性 仮説1bは支持された ブートストラップ媒介分析の結果
54. 仮説2 セレンディピティの感情による成果向上は ポジティブな場合のみ発生する
55. 55/76 • Mechanical Turk (MTurk)でユーザー調査を実施 • 「美術館で絵を鑑賞する」設定で、3条件のいずれかに割り当てられる • 自分で選んだ絵を見る（個人選択条件） • 選ばれた絵を見る（セレンディピティ条件） • ただ絵を見る（ベースライン条件） • 本物 or 複製かの2条件、魅力的 or 非魅力的の2価値のいずれかにも割り当てられる • 447人から以下についての回答を収集 • 絵をどの程度楽しめたか • セレンディピティの感情の程度 どう調べた？
56. 56/76 あなたがアートギャラリーに入ったと想像してください。 展示している絵画のうち2点が表示されます。（2点のタイトルのみ表示） • 自分で選んだ絵を見る（個人選択条件） • 「この2つの絵画のうち、どちらかを選んで見てください」と言われ、 続けるボタンをクリックして次に進む • 選ばれた絵を見る（セレンディピティ条件） • 単に続けるボタンをクリックして次に進む • 「美術館の廊下を歩いていて、角を曲がるところを想像してください。」 と告げられたのち絵が表示 • ただ絵を見る（ベースライン条件） 各条件の聞き方
57. 57/76 あまり魅力的でない絵と比べ魅力的な絵は • より楽しめた • セレンディピティ条件において最も高かった • よりセレンディピティを感じた 魅力的でない絵を見たとき • セレンディピティ条件において楽しさは最も低かった 3条件2価値分散分析の結果
58. 58/76 3条件（ベースライン、個人選択、セレンディピティ）を多項目独立変数、 価値を調整変数、セレンディピティを媒介変数、楽しさを従属変数として 調整媒介分析を行った 魅力的な絵を見たときのみ セレンディピティの感情を経由した楽しみが有意 仮説2は支持された ブートストラップ媒介分析の結果
59. 仮説3 出会いが決定論的だったという認識は セレンディピティの感情と成果を減少させる
60. 60/76 • Mechanical Turk (MTurk)でユーザー調査を実施 • 「映画予告の推薦」設定で、2条件×2条件のいずれかに割り当てられる • 候補プールが100本 or 10本（初期選択） • 選択がランダム or マーケターによる慎重な選出（最終選択） • ただ絵を見る（ベースライン条件） • 映画予告5本のいずれかにも割り当てられる • 389人から以下についての回答を収集 • 映画予告をどの程度楽しめたか • この推薦プラットフォームのアップデート情報を受け取りたいか • セレンディピティの感情の程度 どう調べた？
61. 61/76 最終選択に高いランダム性があるとき • より楽しさ・セレンディピティを感じた • 初期選択のランダム性が高いと楽しさが増した • 初期選択のランダム性を問わず メーリスに登録する傾向が高かった 初期選択に高いランダム性があるとき • メーリスに登録する傾向が高かった 2条件2条件5本分散分析の結果
62. 62/76 初期選択のランダム性を独立変数、最終選択のランダム性を調整変数、 セレンディピティを媒介変数として調整媒介分析を行った 最終選択に高いランダム性があったときのみ、 セレンディピティの感情を通じた楽しみへの経路は有意 仮説3は支持された ブートストラップ媒介分析の結果
63. 仮説4 大量の診断情報を提供すると セレンディピティは望ましいものではなくなり、 自ら選択する場合と比較して成果が減少する
64. 64/76 • Mechanical Turk (MTurk)でユーザー調査を実施 • 「集中力を高める音楽を聴く」設定で、2情報のいずれかに割り当てられる • 曲の優位性に関連する（例：神経位相同期値）3属性の説明を読み、 選択時には各曲が持つ3属性の具体的な情報が提示される（診断） • 曲の優位性とは関係ない機能の3属性の説明を読む（非診断） • 個人選択 or ランダム選択の2選択いずれかにも割り当てられる • 5曲のいずれかにも割り当てられる • 389人から以下についての回答を収集 • 曲をどの程度楽しめたか • このプラットフォームのサブスク購読に興味があるか、薦めるか、いくらくらい払ってよいと感じるか • セレンディピティの感情の程度 どう調べた？
65. 65/76 • 自分で選んだ曲を聴く（個人選択） • 「試聴可能な5曲の中から1曲を選んでください」 • 選ばれた曲を聴く（ランダム選択） • 「次のページでランダムに1曲選んで試聴してもらいます」 各選択条件の聞き方
66. 66/76 診断情報が与えられたとき • 個人選択の方が満足度、関心、 お薦め・支払い意欲が高かった 非診断情報が与えられたとき • 満足度が高かった • ランダム選択の方が満足度、関心、 お薦め・支払い意欲が高かった ランダム選択の方がセレンディ感情が大きかった 2情報2条件5本分散分析の結果
67. 67/76 選択を独立変数、情報を調整変数、 セレンディピティを媒介変数として調整媒介分析を行った 診断情報が提示された場合に 知識の認知度が結果を媒介するかどうかを検証したところ、 媒介されることがわかった 仮説4は支持された ブートストラップ媒介分析の結果
68. まとめ
69. 69/76 1. 自らの選択による出会いと比べ、ポジティブで意外で偶然の出会いは a. 成果（注：満足度、購入意図）を向上させる→YES b. ↑の効果はセレンディピティの感情によって媒介される→YES 2. セレンディピティの感情による成果向上はポジティブな場合のみ発生する →YES 3. 出会いが決定論的だったという認識は セレンディピティの感情と成果を減少させる→YES 4. 大量の診断情報を提供すると セレンディピティは望ましいものではなくなり、 自ら選択する場合と比較して成果が減少する →YES 仮説検証結果
70. 本編まとめ
71. 71/76 • セレンディピティは、タイムリーさや関連性、新規性から 満足度や購入意図への因果関係において媒介的な役割を果たす • 人気度の低さ、時間差の小ささ、カテゴリ差の小ささ、分類学的距離が、 よりセレンディピティを高いと認識する指標になり得る • 年配・男性、経験への開放性、良心性、外向性が高い、好奇心旺盛といった 特性がある人はセレンディピティを感じやすい • セレンディピティの知覚には偶然性を感じられたかが影響する • ネガティブな体験にセレンディピティが紐付くと悪感情を増幅する • 選択に際し消費者が十分な知識を持っていると自覚していると セレンディピティのもたらす成果は薄まる 本編まとめ
72. 【おまけ】 セレンディピティをどう実現するか？
73. 73/76 潜在空間におけるユーザーの興味のマルチクラスターモデリングが肝 （だと発表者は思いました。 普通にやると例えばゲーム動画の視聴が9割だったら推薦もそれに引っ張られるけど、 クラスター化して中心点を推薦すればその問題を軽減できる気がする） Alibaba Youku上のオンラインABテストで動画視聴率が3％以上増加 →現在展開中 意外性を推薦プロセスに組み込む PURS: Personalized Unexpected Recommender System for Improving User Satisfaction (RecSys'20)
74. 74/76 以下の観点からユーザー・アイテムの弾力性を算出し 精度とセレンディピティさのトレードオフを調整できる手法を提案 • ユーザーの消費アイテム履歴が どのくらい多様か • アイテムを消費したユーザーが どのくらい多様か ユーザー・アイテムの弾力性を考慮 HAES: A New Hybrid Approach for Movie Recommendation with Elastic Serendipity (CIKM'19)
75. 75/76 "どういった狙いの推薦か？"の文章を追加することで 意外性志向の推薦で起こり得る「なんだこれ？」を軽減する • 長期的&短期的な嗜好からセレンディピィティベクトルを算出し それを用いて方向性のある推薦文を生成 "狙い"の説明を付け加える Directional and Explainable Serendipity Recommendation (TheWebConf'20)
76. 76/76 ニュースのトピックワードが"どれくらいユニークな組み合わせか"を 算出することにより意外性のある推薦を実現 図）"アレルギー・食物アレルギー"より、"妊婦・肺がん"の方が意外性があるとする • 意外性のある推薦に対して、 有用性より興味深さに高評価 • 提案システムを使った人の半数以上が 新しい分野を発見したり、 不要なもののフォローを停止するなどの 嗜好の変化を見せた NEWSの意外性度合いを計算 LuckyFind: Leveraging Surprise to Improve User Satisfaction and Inspire Curiosity in a Recommender System (CHIIR'21)