[논문 리뷰] A Deep Framework for Cross-Domain and Cross-System Recommendations

Feng Zhu, Yan Wang외 4명|arXiv (Cornell University)|2020. 09. 14.

Recommender Systems and Techniques인용 수 11

한 줄 요약

이 논문은 교차 도메인 및 교차 시스템 추천 정확도를 향상시키기 위해 사용자 및 아이템 잠재 요인 간의 효과적인 매핑을 학습하기 위해 행렬 분해(MF)와 완전 연결 신경망(DNN)을 결합한 딥러닝 프레임워크인 DCDCSR를 제안한다. DNN 학습 과정에 사용자 및 아이템별 평점 희소도를 통합함으로써, DCDCSR는 세 개의 실세계 데이터셋에서 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

Cross-Domain Recommendation (CDR) and Cross-System Recommendations (CSR) are two of the promising solutions to address the long-standing data sparsity problem in recommender systems. They leverage the relatively richer information, e.g., ratings, from the source domain or system to improve the recommendation accuracy in the target domain or system. Therefore, finding an accurate mapping of the latent factors across domains or systems is crucial to enhancing recommendation accuracy. However, this is a very challenging task because of the complex relationships between the latent factors of the source and target domains or systems. To this end, in this paper, we propose a Deep framework for both Cross-Domain and Cross-System Recommendations, called DCDCSR, based on Matrix Factorization (MF) models and a fully connected Deep Neural Network (DNN). Specifically, DCDCSR first employs the MF models to generate user and item latent factors and then employs the DNN to map the latent factors across domains or systems. More importantly, we take into account the rating sparsity degrees of individual users and items in different domains or systems and use them to guide the DNN training process for utilizing the rating data more effectively. Extensive experiments conducted on three real-world datasets demonstrate that DCDCSR framework outperforms the state-of-the-art CDR and CSR approaches in terms of recommendation accuracy.

연구 동기 및 목표

• 원천 도메인 또는 시스템으로부터 더 풍부한 정보를 활용하여 추천 시스템에서 지속적인 데이터 희소 문제를 해결하기 위해.
• 효과적인 교차 도메인 및 교차 시스템 지식 전이를 통해 저데이터 타겟 도메인 또는 시스템에서 추천 정확도를 향상시키기 위해.
• 다양한 도메인 또는 시스템 간 잠재 요인 간의 복잡한 관계를 모델링하는 통합된 딥러닝 프레임워크를 개발하기 위해.
• 개별 사용자 및 아이템의 평점 희소도를 통합하여 DNN 학습을 향상시켜 희소 평점 데이터의 효과적인 활용을 가능하게 하기 위해.

제안 방법

• 프레임워크는 먼저 원천 및 타겟 도메인 또는 시스템에서 사용자 및 아이템 잠재 요인을 학습하기 위해 행렬 분해(MF)를 적용한다.
• 다음으로, 원천 및 타겟 도메인 또는 시스템의 잠재 요인 간 비선형 매핑을 학습하기 위해 완전 연결 신경망(DNN)을 사용한다.
• DNN 학습 과정은 개별 사용자 및 아이템의 평점 희소도를 보조 신호로 사용하여 일반화 능력과 데이터 효율성을 향상시킨다.
• MF 및 DNN 구성 요소를 동시에 최적화하여 도메인 또는 시스템 간 일관되고 정확한 잠재 요인 표현을 보장한다.
• DNN 학습 중에 희소도 인식 손실 가중치를 적용하여 데이터 가용성이 높은 사용자 및 아이템에서의 학습을 우선시한다.
• 관측된 평점의 예측 오차를 최소화하기 위해 확률적 경사 하강법을 사용하여 프레임워크를 엔드 투 엔드로 훈련시킨다.

실험 결과

연구 질문

• RQ1 어떻게 도메인 또는 시스템 간의 잠재 요인 매핑을 효과적으로 학습하여 저데이터 환경에서의 추천 정확도를 향상시킬 수 있는가?
• RQ2 사용자 및 아이템 수준의 평점 희소도를 통합할 경우, 교차 도메인 및 교차 시스템 추천 모델의 성능 향상 정도는 어느 정도인가?
• RQ3 통합된 딥러닝 프레임워크가 교차 도메인 및 교차 시스템 추천 과제에서 기존 최신 기술보다 뛰어난 성능을 낼 수 있는가?
• RQ4 다양한 도메인 또는 시스템에서의 다양한 수준의 데이터 희소성에 대해 제안된 프레임워크는 얼마나 강건한가?

주요 결과

• DCDCSR는 세 개의 실세계 데이터셋에서 최신 기술인 CDR 및 CSR 방법보다 뛰어난 추천 정확도를 달성한다.
• DNN 학습에 희소도 인식 가이던스를 통합함으로써 모델 성능이 크게 향상되며, 특히 저데이터 환경에서 두드러진다.
• 원천 및 타겟 데이터 분포가 다를 경우에도 다양한 도메인과 시스템 간에 강력한 일반화 능력을 보여준다.
• 제거 실험 결과, DNN 기반 매핑과 희소도 인식 학습 전략이 성능 향상에 기여한다는 것이 확인된다.
• 모든 테스트 데이터셋에서 RMSE 및 MAE와 같은 다양한 평가 지표에서 높은 성능을 유지한다.
• 사용자 및 아이템 별 희소도를 모델링함으로써, 풍부한 데이터가 있는 도메인에서 희소한 도메인으로 지식 전이를 효과적으로 수행할 수 있음을 시사한다.