[논문 리뷰] A Heterogeneous Information Network based Cross Domain Insurance Recommendation System for Cold Start Users

Ye Bi, Liqiang Song외 4명|arXiv (Cornell University)|2020. 07. 30.

Recommender Systems and Techniques참고 문헌 29인용 수 5

한 줄 요약

이 논문은 구매력이 없는 사용자에게 발생하는 냉각기 문제를 해결하기 위해, 이질적 정보 네트워크 기반의 교차 도메인 보험 추천(HCDIR) 시스템을 제안한다. 비금융 전자상거래 도메인에서의 사용자 행동을 GRU를 활용해 동적 관심 모델링하고, 관계, 노드, 의미적 어텐션을 통합한 보험 이질적 정보 네트워크(IHIN)를 구축함으로써, 강력한 사용자 및 제품 표현을 학습한다. 이는 펭아нь 징관자 데이터셋에서 최신 기술을 뛰어넘는 성능을 보인다.

ABSTRACT

Internet is changing the world, adapting to the trend of internet sales will bring revenue to traditional insurance companies. Online insurance is still in its early stages of development, where cold start problem (prospective customer) is one of the greatest challenges. In traditional e-commerce field, several cross-domain recommendation (CDR) methods have been studied to infer preferences of cold start users based on their preferences in other domains. However, these CDR methods could not be applied to insurance domain directly due to the domain specific properties. In this paper, we propose a novel framework called a Heterogeneous information network based Cross Domain Insurance Recommendation (HCDIR) system for cold start users. Specifically, we first try to learn more effective user and item latent features in both source and target domains. In source domain, we employ gated recurrent unit (GRU) to module user dynamic interests. In target domain, given the complexity of insurance products and the data sparsity problem, we construct an insurance heterogeneous information network (IHIN) based on data from PingAn Jinguanjia, the IHIN connects users, agents, insurance products and insurance product properties together, giving us richer information. Then we employ three-level (relational, node, and semantic) attention aggregations to get user and insurance product representations. After obtaining latent features of overlapping users, a feature mapping between the two domains is learned by multi-layer perceptron (MLP). We apply HCDIR on Jinguanjia dataset, and show HCDIR significantly outperforms the state-of-the-art solutions.

연구 동기 및 목표

• 온라인 보험 추천에서 대부분의 사용자가 보험 도메인 내 상호작용 기록이 없기 때문에 발생하는 냉각기 문제를 해결하기 위해.
• 비금융 전자상거래 도메인에서 풍부한 사용자 상호작용 데이터를 바탕으로 지식을 이전하여 신규 사용자의 추천 성능을 향상시키기 위해.
• 이질적 정보 네트워크(HIN)를 활용해 보험 제품의 복잡한 구조와 사용자-에이전트 상호작용을 효과적으로 모델링하기 위해.
• 데이터 희소성 문제를 극복하기 위해 타깃 도메인 내 사용자 및 보험 제품의 효과적인 다중 수준 어텐션 기반 표현을 학습하기 위해.
• 개인화된 추천을 위해 다층 퍼셉트론(MLP)을 활용해 소스 도메인과 타깃 도메인 간의 교차 도메인 특성 매핑을 수립하기 위해.

제안 방법

• 소스 도메인에서는 비금융 전자상거래 도메인 내 사용자의 순차적 상호작용 행동을 기반으로 동적 관심을 모델링하기 위해 게이트드 순환 유닛(GRUs)을 사용한다.
• 타깃 보험 도메인에서는 사용자, 에이전트, 보험 제품, 제품 속성 간의 다중 유형의 관계를 통합하여 보험 이질적 정보 네트워크(IHIN)를 구축한다.
• 관계, 노드 수준, 의미 수준의 3단계 어텐션 메커니즘을 적용하여 이질적 이웃으로부터 정보를 집계함으로써 사용자 및 아이템 표현 학습을 향상시킨다.
• 다층 퍼셉트론(MLP)을 통해 소스 도메인과 타깃 도메인 표현 간의 매핑을 학습하여, 소스 도메인의 사용자 선호도를 타깃 도메인으로 이전할 수 있도록 한다.
• 사용자 및 제품 임베딩을 대비 학습 목표를 통해 공동 최적화함으로써 일반화 능력과 추천 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 사용자 상호작용 데이터가 극도로 희소한 보험 도메인에서 교차 도메인 추천 기법이 냉각기 문제를 효과적으로 완화할 수 있는가?
• RQ2 보험 제품의 복잡한 구조와 에이전트, 속성과의 관계를 효과적으로 모델링하여 표현 학습을 향상시킬 수 있는가?
• RQ3 다중 수준 어텐션 메커니즘(관계, 노드, 의미)이 이질적 정보 네트워크 내에서 보험 추천의 사용자 및 아이템 표현 학습에 얼마나 기여하는가?
• RQ4 제안된 HCDIR 프레임워크가 실세계 보험 추천 데이터에서 기존 최신 기술 기반의 교차 도메인 추천 모델을 뛰어넘을 수 있는가?

주요 결과

• HCDIR는 펭아нь 징관자 데이터셋에서 최신 기술 기반의 교차 도메인 추천 방법을 뛰어넘는 성능을 보이며, 냉각기 시나리오에서 뛰어난 성능을 입증한다.
• 소스 도메인에서 GRU를 활용함으로써 사용자의 변화하는 관심을 효과적으로 포착하여 이전된 표현의 품질을 향상시킨다.
• IHIN 내 3단계 어텐션 메커니즘이 이질적 정보를 효과적으로 집계하여 더 정보가 풍부한 사용자 및 제품 임베딩을 생성한다.
• 도메인 간 MLP 기반 특성 매핑이 타깃 도메인 상호작용이 희소하더라도 소스 도메인의 사용자 선호도를 성공적으로 이전한다.
• 구축된 보험 이질적 정보 네트워크(IHIN)는 풍부한 구조적 및 의미적 관계를 포착하여, 복잡한 보험 제품과 에이전트-사용자 동적 상호작용을 더 잘 모델링할 수 있도록 한다.