[논문 리뷰] A novel graph-based model for hybrid recommendations in cold-start scenarios

Cesare Bernardis, Maurizio Ferrari Dacrema외 1명|arXiv (Cornell University)|2018. 08. 31.

Recommender Systems and Techniques참고 문헌 3인용 수 4

한 줄 요약

이 논문은 협업 필터링 확률을 활용하여 냉시작 항목에 대한 최적의 특성 가중치를 학습하는 그래프 기반의 하이브리드 추천 모델을 제안한다. 이는 콘텐츠 기반 추천 성능을 크게 향상시킨다. 특성 가중치 학습을 확률적 경사 하강법을 사용한 회귀 문제로 공식화함으로써, Movielens 20M 및 The Movies Dataset에서 최신 기술 수준의 성능을 달성하였으며, 전통적인 콘텐츠 기반 및 기준 그래프 기반 방법보다 뛰어난 성능을 보였다.

ABSTRACT

Cold-start is a very common and still open problem in the Recommender Systems literature. Since cold start items do not have any interaction, collaborative algorithms are not applicable. One of the main strategies is to use pure or hybrid content-based approaches, which usually yield to lower recommendation quality than collaborative ones. Some techniques to optimize performance of this type of approaches have been studied in recent past. One of them is called feature weighting, which assigns to every feature a real value, called weight, that estimates its importance. Statistical techniques for feature weighting commonly used in Information Retrieval, like TF-IDF, have been adapted for Recommender Systems, but they often do not provide sufficient quality improvements. More recent approaches, FBSM and LFW, estimate weights by leveraging collaborative information via machine learning, in order to learn the importance of a feature based on other users opinions. This type of models have shown promising results compared to classic statistical analyzes cited previously. We propose a novel graph, feature-based machine learning model to face the cold-start item scenario, learning the relevance of features from probabilities of item-based collaborative filtering algorithms.

연구 동기 및 목표

• 상호작용 기록이 없는 신규 항목이 존재하는 추천 시스템에서의 냉시작 문제를 해결하기 위해.
• 협업 정보를 사용하여 특성 가중치를 학습함으로써 콘텐츠 기반 추천 품질을 향상시키기 위해.
• 확률적 랜덤 워크를 통해 협업 및 콘텐츠 기반 신호를 통합하는 그래프 기반 모델을 개발하기 위해.
• 협업 확률에서 특성 가중치를 학습하는 것이 추천 정확도를 향상시키는지 검증하기 위해.
• 실세계 데이터셋에서 제안된 모델을 콘텐츠 기반 기준 모델 및 기존 그래프 기반 방법과 비교하기 위해.

제안 방법

• 모델은 사용자, 항목, 특성으로 구성된 삼중 그래프를 구축하며, 노드 간 관계를 가중치가 부여된 간선으로 표현한다.
• 사용자-항목 및 항목-특성 간 관계에서 유도된 부분 행렬의 행렬 곱을 통해 3단계 랜덤 워크를 수행함으로써 사용자-항목 추천 확률을 계산한다.
• 협업 및 가중치가 부여된 콘텐츠 기반 경로 간 잔차 제곱합을 최소화함으로써 특성 가중치를 학습한다. 이 과정에서 확률적 경사 하강법을 사용한다.
• 회귀의 대상 행렬은 협업 3단계 워크(P^3) 또는 신뢰도를 향상시키기 위해 재순서된 변형(RP^3_β)에서 유도된다.
• P'_{if} ⊙ P_{fi}를 통해 항목-항목 전이 확률을 추정하고, 이를 P_{iu} ⊙ P_{ui}와 정렬함으로써 최적의 특성 가중치를 학습한다.
• 최종 추천 점수는 URM' = P_{ui} ⊙ P_{if}' ⊙ P_{fi}로 계산되며, 여기서 P_{if}'는 학습된 특성 가중치를 포함한다.

실험 결과

연구 질문

• RQ1 냉시작 상황에서 콘텐츠 기반 추천에 대해 협업 필터링 신호를 효과적으로 활용하여 의미 있는 특성 가중치를 학습할 수 있는가?
• RQ2 TF-IDF와 같은 정적 방법에 비해 협업 확률에서 특성 가중치를 학습하는 것이 추천 정확도를 향상시키는가?
• RQ3 대상 행렬 선택(P^3 대비 RP^3_β)이 하이브리드 모델 성능에 어떤 영향을 미치는가?
• RQ4 협업 및 콘텐츠 기반 경로를 통합하는 그래프 기반 모델이 냉시작 환경에서 순수 콘텐츠 기반 기준 모델보다 뛰어난 성능을 낼 수 있는가?
• RQ5 다양한 메타데이터 빈도를 가진 다양한 데이터셋에서 제안된 모델이 탄탄한가?

주요 결과

• Movielens 20M 데이터셋에서 제안된 HP^3_R 모델은 Recall@5가 0.10919를 기록하여 CBF(0.10135) 및 CBF-IDF(0.10147)를 초월하였다.
• Movielens 20M에서 HP^3_R 모델은 MAP@5가 0.22826을 기록하여 다음으로 우수한 기준 모델인 CBF-IDF(0.21813)를 뚜렷이 앞섰다.
• The Movies Dataset에서 HP^3_R는 Recall@5가 0.06776, MAP@5가 0.11934를 기록하여 CBF(0.04850 및 0.08727) 및 CBF-IDF(0.05033 및 0.08988)를 모두 능가하였다.
• 재순서된 하이브리드 경로(HP^3_R)는 두 데이터셋에서 비재순서된 하이브리드 및 모든 콘텐츠 기반 기준 모델보다 일관되게 뛰어난 성능을 보였다.
• 비재순서된 하이브리드 경로(HP^3)는 Movielens 20M에서 CBF보다 성능이 열 劣하였으며, 이는 대상 행렬의 품질 중요성을 시사한다.
• 결과는 협업 정보에서 특성 가중치를 학습하는 것이 냉시작 상황에서 콘텐츠 기반 추천 성능을 크게 향상시킨다는 것을 확인시켰다.