[논문 리뷰] A Latent Source Model for Online Collaborative Filtering

Guy Bresler, George H. Chen외 1명|arXiv (Cornell University)|2014. 10. 31.

Advanced Bandit Algorithms Research참고 문헌 13인용 수 15

한 줄 요약

이 논문은 사용자를 공유된 항목 선호 패턴을 가진 k개 유형으로 그룹화하는 온라인 협업 필터링를 위한 잠재 소스 모델을 제안한다. 알고리즘은 항목 공간과 사용자 유사성에 대한 이중 탐색을 기반으로 하며, k를 알지 못하더라도 오직 O(log(km))의 초기 단계 이후에 거의 최적의 성능을 달성한다.

ABSTRACT

Despite the prevalence of collaborative filtering in recommendation systems, there has been little theoretical development on why and how well it works, especially in the "online" setting, where items are recommended to users over time. We address this theoretical gap by introducing a model for online recommendation systems, cast item recommendation under the model as a learning problem, and analyze the performance of a cosine-similarity collaborative filtering method. In our model, each of $n$ users either likes or dislikes each of $m$ items. We assume there to be $k$ types of users, and all the users of a given type share a common string of probabilities determining the chance of liking each item. At each time step, we recommend an item to each user, where a key distinction from related bandit literature is that once a user consumes an item (e.g., watches a movie), then that item cannot be recommended to the same user again. The goal is to maximize the number of likable items recommended to users over time. Our main result establishes that after nearly $\log(km)$ initial learning time steps, a simple collaborative filtering algorithm achieves essentially optimal performance without knowing $k$. The algorithm has an exploitation step that uses cosine similarity and two types of exploration steps, one to explore the space of items (standard in the literature) and the other to explore similarity between users (novel to this work).

연구 동기 및 목표

• 온라인 추천 시스템에서 협업 필터링이 작동하는 이유를 이론적으로 설명하는 데에 있어 이론적 간극을 메우기 위해.
• 이미 소비한 항목을 다시 보지 못하는 제약 조건 하에 온라인 추천을 학습 문제로 모델링하기 위해.
• 이 설정 하에서 코사인 유사도 기반 협업 필터링 알고리즘의 유한 시간 성능을 분석하기 위해.
• 간단한 알고리즘이 사용자 유형 수 k를 알지 못하더라도 거의 최적의 성능을 달성할 수 있음을 보여주기 위해.

제안 방법

• 사용자 선호도를 m개 항목에 대한 공유 확률 벡터를 가진 k개의 잠재 사용자 유형으로 모델링한다.
• 동일한 사용자에게 다시 항목을 제안하지 않도록 온라인 방식으로 항목을 추천한다.
• 표준 항목 공간 탐색과 새로운 사용자 유사성 기반 탐색을 포함한 두 가지 탐색 단계를 갖는 협업 필터링 알고리즘을 사용한다.
• 코사인 유사도를 사용하여 유사한 사용자를 식별하고, 그들에게 좋아할 만한 항목을 우선 추천한다.
• 이중 전략을 도입한다: 초기 탐색을 통해 사용자 유형과 항목 선호도를 학습하고, 이후에는 유사성 기반 추천을 통한 이용 전략을 적용한다.
• 전체 선호도 벡터가 아닌 노출된 평가만 관찰 가능한 제약 조건 하에서 성능 분석을 수행한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 온라인 추천 시스템에서 협업 필터링의 효과성을 이론적으로 정당화할 수 있는가?
• RQ2 협업 필터링 알고리즘이 거의 최적의 성능을 달성하기 위해 필요한 최소한의 초기 탐색은 얼마나 되는가?
• RQ3 사용자 유형 수 k에 대한 사전 지식이 없이도 추천 알고리즘이 양호한 성능을 낼 수 있는가?
• RQ4 항목에 대한 탐색과 사용자 유사성에 대한 탐색을 동시에 수행하는 이중 탐색 전략은 학습 효율성에 어떤 영향을 미치는가?

주요 결과

• 제안된 알고리즘은 오직 O(log(km))의 초기 시간 단계 이후에 거의 최적의 성능을 달성하여 학습 단계를 크게 줄였다.
• 알고리즘의 성능은 사전에 모든 좋아할 만한 항목을 알고 있는 오라클에 비해 거의 최적에 가깝다.
• 항목 공간과 사용자 유사성에 대한 이중 탐색 메커니즘은 k와 m에 대해 로그적 의존성을 가지며 효율적인 학습을 가능하게 한다.
• 사용자 유형 수 k를 알지 못하더라도 알고리즘이 잘 작동하므로, 이는 핵심적인 실용적 이점이다.
• Movielens10M 및 Netflix 데이터셋에서의 실험 결과, 전체 데이터를 학습에 사용하지 않음에도 불구하고 행렬 완성 기반 및 인기 기반 베이스라인보다 알고리즘이 뛰어난 성능을 보였다.