[논문 리뷰] A general graph-based framework for top-N recommendation using content, temporal and trust information

Armel Jacques Nzekon Nzeko’o, Maurice Tchuenté외 1명|arXiv (Cornell University)|2019. 05. 06.

Recommender Systems and Techniques참고 문헌 50인용 수 5

한 줄 요약

이 논문은 개인화된 PageRank를 사용하여 콘텐츠, 시간, 신뢰 정보를 통합한 유일한 그래프로 상위 N개 추천을 수행하는 일반적인 그래프 기반 프레임워크 GraFC2T2를 제안한다. Epinions 및 Ciao 데이터셋에서의 실험 결과, 단일 정보 기반 기준보다 최소 41% 향상된 성능을 기록하며, 다양한 보조 정보 유형을 통합하고 특히 시간 가중치를 적용할 경우 성능 향상이 두드러진다.

ABSTRACT

Recommending appropriate items to users is crucial in many e-commerce platforms that contain implicit data as users' browsing, purchasing and streaming history. One common approach consists in selecting the N most relevant items to each user, for a given N, which is called top-N recommendation. To do so, recommender systems rely on various kinds of information, like item and user features, past interest of users for items, browsing history and trust between users. However, they often use only one or two such pieces of information, which limits their performance. In this paper, we design and implement GraFC2T2, a general graph-based framework to easily combine and compare various kinds of side information for top-N recommendation. It encodes content-based features, temporal and trust information into a complex graph, and uses personalized PageRank on this graph to perform recommendation. We conduct experiments on Epinions and Ciao datasets, and compare obtained performances using F1-score, Hit ratio and MAP evaluation metrics, to systems based on matrix factorization and deep learning. This shows that our framework is convenient for such explorations, and that combining different kinds of information indeed improves recommendation in general.

연구 동기 및 목표

• 콘텐츠, 시간 동적 변화, 또는 신뢰와 같이 하나 또는 두 가지 유형의 보조 정보만을 사용하는 기존 상위 N개 추천 시스템의 한계를 해결한다.
• 다양한 보조 정보 소스를 쉽게 통합하고 비교할 수 있도록 일반적이고 확장 가능한 프레임워크를 설계한다.
• 콘텐츠 기반 특징, 시간적 상호작용, 신뢰 관계를 모두 포함하는 통합 그래프를 통해 사용자 선호도를 모델링하여 추천 정확도를 향상시킨다.
• 다양한 보조 정보 유형을 통합하는 것—특히 시간 가중치가 적용된 경우—이 단일 정보 또는 비가중치 기반 접근 방식보다 뚜렷한 성능 향상을 이끌어내는지 확인한다.
• 전자상거래 및 스트리밍 플랫폼의 암시적 피드백 상황에서 행렬 분해 및 딥러닝 모델에 대한 확장 가능하고 민첩한 그래프 기반 대안을 확립한다.

제안 방법

• 사용자-아이템 상호작용, 아이템 콘텐츠 기반 특징, 사용자 간 신뢰 관계, 시간 타임스탬프를 하나의 통합된 그래프 구조로 통합하는 이질적 그래프를 구축한다.
• 최신성 기반으로 간선에 시간 가중치를 적용하여, 최근 상호작용일수록 더 높은 가중치를 할당함으로써 개념 이동과 변화하는 사용자 관심사를 반영한다.
• 콘텐츠 기반 특징을 아이템과 그 특징 노드(예: 장르, 저자) 간의 연결로 표현하여 그래프 내에서 콘텐츠 선호도가 전파되도록 한다.
• 신뢰 관계를 모델링하기 위해 신뢰하는 사용자에서 신뢰당하는 사용자로 향하는 방향성 간선을 추가하여 신뢰 소스에서의 影향 전파를 가능하게 한다.
• 확장된 그래프에서 개인화된 PageRank를 수행하며, 랜덤 워크가 사용자 노드에서 시작하여 아이템, 콘텐츠, 신뢰 간선을 통해 전파되어 관련도 점수를 계산한다.
• PageRank 점수에 따라 아이템을 정렬하고, 각 사용자별로 상위 N개 아이템을 추천으로 반환한다.

실험 결과

연구 질문

• RQ1 콘텐츠, 시간, 신뢰 정보를 통합한 통합 그래프 기반 프레임워크가 상위 N개 추천에 효과적으로 기여할 수 있는가?
• RQ2 시간 가중치 간선를 포함한 모델이 비가중치 또는 비시간 기반 모델 대비 추천 성능을 얼마나 향상시키는가?
• RQ3 통합된 그래프 기반 추천 시스템에서 각 보조 정보 유형(콘텐츠, 시간, 신뢰)의 상대적 기여도는 어떠한가?
• RQ4 여러 보조 정보 유형을 통합한 시스템이 단일 또는 이중 정보 유형을 사용하는 시스템보다 일관되게 우수한 성능을 내는가?
• RQ5 제안된 GraFC2T2 프레임워크는 최신의 행렬 분해 및 협업 필터링 방법과 비교해 성능 면에서 어떻게 나타나는가?

주요 결과

• 콘텐츠 기반 및 시간, 신뢰 및 시간 등 최소 두 가지 보조 정보 유형을 통합한 그래프가 단일 유형을 사용하는 그래프보다 일관되게 뛰어난 성능을 보이며, 최소 41%의 성능 향상을 기록한다.
• 시간 가중치가 적용된 그래프가 비가중치 대비 뚜렷이 뛰어난 성능을 보이며, 최근성 기반으로 개념 이동을 모델링하는 것이 정확한 상위 N개 추천을 위해 필수적임을 시사한다.
• 실험에서 가장 뛰어난 성능을 기록한 구성은 시간 가중치 간선를 사용하여 콘텐츠, 시간, 신뢰 정보를 모두 통합한 것으로, Epinions 및 Ciao 데이터셋 전반에서 최고의 F1 점수, 히트 비율, MAP를 기록했다.
• GraFC2T2 프레임워크는 모든 평가 지표에서 전통적인 사용자 기반 및 아이템 기반 협업 필터링, 그리고 행렬 분해 기반 기준 대비 경쟁력 있거나 뛰어난 성능을 기록했다.
• 결과는 암시적 피드백 환경에서 다수의 보조 정보 유형을 포함한 그래프 기반 모델이 딥러닝 및 행렬 분해 모델에 대한 실용적이고 효과적인 대안임을 확인한다.
• 프레임워크의 확장성 덕분에 다양한 보조 정보 조합의 실험과 비교가 쉽게 가능하여, 추천 시스템 분야의 연구 및 개발에 실용적인 도구가 될 수 있다.