[논문 리뷰] A Broad Learning Approach for Context-Aware Mobile Application Recommendation

Tingting Liang, Lifang He외 4명|arXiv (Cornell University)|2017. 09. 11.

Tensor decomposition and applications참고 문헌 15인용 수 5

한 줄 요약

이 논문은 사용자 선호도, 앱 카테고리, 다중 시각 특징(예: 권한, 설명) 간의 전순서 상호작용을 모델링하기 위해 터커 텐서 분해를 사용하는 광범위한 학습 접근법인 CATA를 제안한다. 이 방법은 카테고리별 표현을 공동으로 학습하고, 시각별 특징 중요도를 포착하기 위해 그룹 ℓ₁-노름 정규화를 적용함으로써 평점 예측 성능을 향상시켜, 두 개의 실세계 데이터셋에서 최신 기술보다 뛰어난 성능을 달성한다.

ABSTRACT

With the rapid development of mobile apps, the availability of a large number of mobile apps in application stores brings challenge to locate appropriate apps for users. Providing accurate mobile app recommendation for users becomes an imperative task. Conventional approaches mainly focus on learning users' preferences and app features to predict the user-app ratings. However, most of them did not consider the interactions among the context information of apps. To address this issue, we propose a broad learning approach for extbf{C}ontext- extbf{A}ware app recommendation with extbf{T}ensor extbf{A}nalysis (CATA). Specifically, we utilize a tensor-based framework to effectively integrate user's preference, app category information and multi-view features to facilitate the performance of app rating prediction. The multidimensional structure is employed to capture the hidden relationships between multiple app categories with multi-view features. We develop an efficient factorization method which applies Tucker decomposition to learn the full-order interactions within multiple categories and features. Furthermore, we employ a group $\ell_{1}-$norm regularization to learn the group-wise feature importance of each view with respect to each app category. Experiments on two real-world mobile app datasets demonstrate the effectiveness of the proposed method.

연구 동기 및 목표

• 사용자 선호도, 앱 카테고리, 다중 시각 특징 간의 복잡한 상호작용을 제한적으로 모델링함으로써 발생하는 정확도가 떨어지는 모바일 앱 추천 문제를 해결한다.
• 특징를 별도로 다루거나 첫 번째 순서 상호작용만 사용하는 전통적 방법의 한계를 극복한다.
• 다양한 앱 카테고리와 특징 시각 간에 첫 번째, 두 번째, 세 번째 순서 상호작용을 모두 포괄하는 통합 프레임워크를 개발한다.
• 텐서 기반 분해를 통해 카테고리별 표현과 특징 중요도를 학습함으로써 평점 예측 정확도를 향상시킨다.
• 그룹 ℓ₁-노름 정규화를 도입하여 각 앱 카테고리별로 관련성이 높은 특징을 식별하고 우선순위를 정함으로써 모델의 해석 가능성과 성능을 향상시킨다.

제안 방법

• 사용자-앱 평점 예측을 텐서 분해 문제로 모델링하며, 텐서는 사용자, 앱 카테고리, 다중 시각 특징(예: 권한, 설명) 간의 상호작용을 코딩한다.
• 전체 순서 상호작용을 효율적으로 모델링하기 위해 고차원 텐서를 직접 구성하지 않고도 저질서 핵심 텐서와 인자 행렬을 학습하기 위해 터커 분해를 적용한다.
• 각 앱 카테고리의 특징 시각 중요도를 나타내는 전역적인 카테고리별 가중치 행렬 D를 사용하며, 이는 그룹 ℓ₁-노름 정규화를 통해 학습되어 시각별 관련성과 희박성을 촉진한다.
• 목적 함수를 텐서 재구성 오차와 정규화 항의 조합으로 설정하고, 교대 최소 제곱법을 통해 최적화한다.
• 사용자 선호도, 앱 카테고리 정보, 다중 시각 특징(예: 텍스트 기반, 권한 기반)을 통합된 텐서 구조에 통합하여 잠재적 상관관계를 포착한다.
• Google Play 데이터를 기반으로 한 경험적 분석을 통해 앱 추천에서 복잡한, 카테고리에 따라 달라지는 특징 상호작용을 모델링할 필요성을 입증한다.

실험 결과

연구 질문

• RQ1 다양한 앱 카테고리와 다중 시각 특징 간의 전순서 상호작용은 모바일 앱 평점 예측 정확도에 어떤 영향을 미치는가?
• RQ2 터커 텐서 분해는 맥락 기반 앱 추천에서 복잡한 고차원 상호작용을 효과적으로 모델링할 수 있는가?
• RQ3 그룹 ℓ₁-노름 정규화는 카테고리별 특징 중요도를 식별함으로써 특징 선택과 모델 성능을 얼마나 향상시키는가?
• RQ4 다양한 상호작용 순서(첫 번째, 두 번째, 세 번째 순서) 중 어느 것이 최종 추천 정확도에 가장 큰 기여를 하는가?
• RQ5 특히 β(정규화 강도)와 α(학습률)와 같은 하이퍼파rameter 설정에 대해 제안된 CATA 모델은 얼마나 강인한가?
• RQ6 냉각 시작 또는 저인기 상황에서도 다양한 사용자 행동과 앱 카테고리에 대해 모델은 효과적으로 일반화할 수 있는가?

주요 결과

• 제안된 CATA 모델은 두 개의 실세계 모바일 앱 데이터셋(Google Play 및 Apple App Store)에서 최신 기술 기반 모델보다 평점 예측 정확도에서 뚜렷한 우월성을 보였다.
• 전체 순서 상호작용(최대 세 번째 순서까지)을 포함함으로써 성능 향상이 명백하게 나타났으며, 특히 제3차 상호작용은 일관성 없거나 이상치가 있는 앱 특징을 탐지하는 데 매우 유용한 정보를 제공했다.
• 민감도 분석 결과, 더 큰 β 값(정규화 강도)이 더 나은 성능을 낼 수 있음을 확인하여, 카테고리와 시각 간의 전순서 상호작용이 저차원 항목보다 더 중요하다는 것을 시사한다.
• 그룹 ℓ₁-노름 정규화는 각 앱 카테고리별로 관련성이 높은 특징 시각을 효과적으로 식별하고 우선순위를 정함으로써 모델의 해석 가능성 향상과 불필요한 특징의 노이즈 감소에 기여했다.
• 경험적 분석을 통해 사용자 다운로드 행동과 특징 상관관계가 앱 카테고리에 따라 상당히 다름을 확인하여, 카테고리별 모델링의 필요성을 뒷받침했다.
• 기본 모델 대비 RMSE와 MAE가 모두 낮아졌으며, 특히 텐서 분해와 그룹 정규화를 동시에 적용했을 때 가장 뛰어난 성능을 기록했다.