本論文では、コールドスタートユーザーのための嗜好引き出しにおける決定木アプローチの拡張を提案しています。推薦システムはデータに基づいてユーザーの嗜好を推測しアイテムを提案するが、新規ユーザーには履歴データがないため、パーソナライズされた推薦を行うのが難しい。しかし、評価引き出し技術を使用することで、初期の評価や嗜好を収集し、ユーザーの嗜好を把握する助けになります。本研究では、決定木を用いた嗜好引き出し方法の2つの改善点を提案しています。1つ目は、アイテムの評価だけでなく、ジャンルなどの属性に関する嗜好も引き出し、ユーザーのクラスタリングをより効果的に行うこと、2つ目は、各ノードで単品ではなくアイテムペアを使用し、ユーザーの嗜好をより効率的に学習することです。実験結果は、これらの提案された改善が性能を向上させることを示しています。