[논문 리뷰] A Hybrid Recommendation Method Based on Feature for Offline Book Personalization

Xixi Li, Jiahao Xing외 4명|arXiv (Cornell University)|2018. 04. 26.

Recommender Systems and Techniques참고 문헌 19인용 수 13

한 줄 요약

이 논문은 오프라인 도서 유통 환경을 위한 하이브리드 추천 방법을 제안하며, 주제 모델링(LDA)과 워드 임베딩(word2vec)을 통합하여 도서 주제와 유형에 대한 사용자 선호도를 포착한다. 고객 유사도와 사용자-도서 상관관계를 결합함으로써 단일 방법론 대비 오프라인 도서 데이터에서 더 높은 추천 정확도를 달성하며, 특징 기반 개인화를 통해 성능 향상을 입증한다.

ABSTRACT

Recommendation system has been widely used in different areas. Collaborative filtering focuses on rating, ignoring the features of items itself. In order to effectively evaluate customers preferences on books, taking into consideration of the characteristics of offline book retail, we use LDA model to calculate customers preference on book topics and use word2vec to calculate customers preference on book types. When forecasting rating on books, we take two factors into consideration: similarity of customers and correlation between customers and books. The experiment shows that our hybrid recommendation method based on features performances better than single recommendation method in offline book retail data.

연구 동기 및 목표

• 평가 외의 항목 기반의 협업 필터링의 한계를 보완하기 위해, 평가 외의 항목 특징을 통합함으로써 오프라인 도서 유통 환경에서의 성능 향상을 도모한다.
• LDA 모델을 활용해 도서 주제에 대한 사용자 선호도를 모델링함으로써 보다 효과적인 개인화를 실현한다.
• 도서 메타데이터의 word2vec 임베딩을 통해 도서 유형에 대한 사용자 선호도를 포착한다.
• 하이브리드 프레임워크에서 고객 유사도와 사용자-도서 상관관계를 융합함으로써 추천 정확도를 향상시킨다.
• 실제 오프라인 도서 유통 데이터를 대상으로 제안된 방법을 평가하고 단일 방법론 기반 베이스라인과 비교한다.

제안 방법

• LDA는 도서 텍스트 콘텐츠에 적용되어 잠재 주제를 추출하고 사용자 선호도를 주제 기반으로 모델링한다.
• word2vec은 도서 메타데이터(예: 장르, 키워드)를 조밀한 벡터 표현으로 임베딩하여 도서 유형에 대한 사용자 선호도를 모델링한다.
• 공통된 선호도를 기반으로 주제 및 유형 기반으로 고객 유사도를 계산하여 유사한 사용자를 식별한다.
• 사용자 선호 프로필과 도서의 특징 벡터(주제 및 유형) 간 유사도를 측정함으로써 사용자-도서 상관관계를 모델링한다.
• 하이브리드 스코링 함수는 고객 유사도와 사용자-도서 상관관계를 융합하여 미리보지 않은 도서의 평점을 예측한다.
• 최종 추천 목록은 예측 평점 기반으로 생성되며, 협업 기반 및 콘텐츠 기반 신호를 모두 통합한다.

실험 결과

연구 질문

• RQ1 주제 및 유형과 같은 항목 특징은 오프라인 도서 유통 환경에서 추천 성능 향상에 어떻게 기여하는가?
• RQ2 LDA 기반 주제 모델링과 word2vec 기반 유형 임베딩을 융합할 경우 사용자 선호도 모델링에 얼마나 기여하는가?
• RQ3 고객 유사도와 사용자-도서 상관관계의 융합은 예측 정확도에 어떤 영향을 미치는가?
• RQ4 하이브리드 방법론은 오프라인 도서 데이터에서 순수 협업 필터링 또는 콘텐츠 기반 방법론보다 우수한 성능을 보이는가?
• RQ5 하이브리드 추천 프레임워크에서 주제 모델링과 유형 임베딩의 상대적 기여도는 어떠한가?

주요 결과

• 하이브리드 방법론은 단일 방법론 대비 실질적으로 높은 성능을 보이며(예: 순수 협업 필터링 또는 콘텐츠 기반 필터링), 오프라인 도서 데이터에서 사용자 평점 예측에 유의미한 향상을 이룬다.
• LDA를 통해 유도된 주제를 통합함으로써 모델은 단순 평가 외의 정보를 초월해 사용자 관심의 미세한 패턴을 효과적으로 포착할 수 있다.
• word2vec 기반의 유형 임베딩은 도서 유형 간 의미적 관계를 효과적으로 표현하여 특징 수준의 개인화를 향상시킨다.
• 고객 유사도와 사용자-도서 상관관계의 융합은 보다 정확하고 개인화된 추천을 가능하게 한다.
• 제안된 방법론은 RMSE 및 MAE와 같은 표준 평가 지표를 기준으로 기준 모델 대비 더 높은 추천 정확도를 달성한다.
• 결과는 오프라인 도서 유통 환경에서 평가 데이터가 희소한 경우 특징 기반 모델링이 효과적인 개인화를 위해 필수적임을 확인한다.