[논문 리뷰] A Fast Recommendation Algorithm for Social Tagging Systems : A Delicious Case

Yaodong Zhao, Shi‐Min Cai외 2명|arXiv (Cornell University)|2015. 12. 28.

Recommender Systems and Techniques참고 문헌 35인용 수 6

한 줄 요약

이 논문은 딜리셔스 데이터셋에서 전통적인 사용자 기반 협업 필터링에 비해 처리 시간을 90% 이상 감소시키면서도 정확도를 유지하거나 향상시키기 위해, 사용자 기반 협업 필터링을 가속화하기 위해 비중복 사용자 클러스터와 겹치는 항목 클러스터를 동시에 추출하는 빠른 협업 사용자 모델(FCUM)을 제안한다. 이 방법은 K-means 유사 접근 방식을 사용한다.

ABSTRACT

The tripartite graph is one of the commonest topological structures in social tagging systems such as Delicious, which has three types of nodes (i.e., users, URLs and tags). Traditional recommender systems developed based on collaborative filtering for the social tagging systems bring very high demands on CPU time cost. In this paper, to overcome this drawback, we propose a novel approach that extracts non-overlapping user clusters and corresponding overlapping item clusters simultaneously through coarse clustering to accelerate the user-based collaborative filtering and develop a fast recommendation algorithm for the social tagging systems. The experimental results show that the proposed approach is able to dramatically reduce the processing time cost greater than $90\%$ and relatively enhance the accuracy in comparison with the ordinary user-based collaborative filtering algorithm.

연구 동기 및 목표

• 딜리셔스와 같은 대규모 소셜 태깅 시스템에서 높은 계산 비용과 실시간 처리 과제를 해결한다.
• 사용자 및 항목 클러스터링을 활용하여 사용자 기반 협업 필터링의 데이터 희소성 및 콜드 스타트 문제를 극복한다.
• 처리 시간을 크게 줄이면서도 높은 정확도를 유지하는 확장 가능한 추천 알고리즘을 개발한다.
• 협업 필터링 프로세스를 가속화하여 동적이고 데이터 집약적인 환경에서 실시간 추천을 가능하게 한다.

제안 방법

• 사용자, URL, 태그의 삼중 그래프에서 비중복 사용자 클러스터와 해당하는 겹치는 항목 클러스터를 동시에 추출하기 위해 K-means 유사 클러스터링 알고리즘을 적용한다.
• 전체 데이터셋 전체에 걸쳐가 아니라 각 사용자 클러스터 내에서 사용자 기반 협업 필터링을 수행하는 빠른 협업 사용자 모델(FCUM)을 구축한다.
• 저활동 노드를 필터링하고 노이즈를 줄이기 위해 도수 임계값을 사용하여 모델의 강건성과 효율성을 향상시킨다.
• 각 클러스터 내에서 사용자 행동 기반으로 항목 점수를 계산하고, 클러스터별로 순위 매겨진 추천 목록을 생성한다.
• 클러스터 크기와 반복 파라미터를 조정하여 민감도를 평가하고 성능을 최적화한다.
• 다양한 순위 목록 길이와 클러스터 구성에서 표준 지표(정밀도, 재현율, F1 점수)와 시간 비용을 사용하여 모델을 평가한다.

실험 결과

연구 질문

• RQ1 사용자 및 항목을 동시에 클러스터링함으로써 정확도를 희생시키지 않고도 소셜 태깅 시스템에서 사용자 기반 협업 필터링을 가속화할 수 있는가?
• RQ2 클러스터당 사용자 수가 FCUM의 시간 성능 및 추천 정확도에 미치는 영향은 어떠한가?
• RQ3 도수 임계값이 희소한 소셜 태깅 데이터에서 모델 성능과 강건성에 미치는 영향은 무엇인가?
• RQ4 기존의 사용자 기반 협업 필터링에 비해 제안된 방법이 처리 시간을 얼마나 줄이는가?

주요 결과

• FCUM은 기존의 사용자 기반 협업 필터링 대비 처리 시간을 90퍼센트 이상 감소시켜 시간 성능을 크게 향상시킨다.
• 순위 목록 길이가 3에서 19 사이일 경우, 표준 UCF보다 FCUM이 더 높은 F1 점수와 재현율을 달성하여 이 범위에서 정확도 향상을 보였다.
• 최적의 F1 점수는 순위 목록 길이가 3일 때 도달되며, 이때 재현율은 증가하고 정밀도는 수용 가능한 수준을 유지한다.
• 클러스터당 평균 사용자 수(40에서 100 사이)는 성능에 미미한 영향을 미쳐 클러스터 크기 변화에 대해 강건함을 보였다.
• 도수 임계값을 6에서 10으로 증가시키면 추천 지표가 향상되지만, 저활동 사용자를 제외함으로써 콜드 스타트 문제를 악화시킬 수 있다.