[논문 리뷰] A Personality-Guided Preference Aggregator for Ephemeral Group Recommendation

Guangze Ye, Wen Wu외 4명|arXiv (Cornell University)|2023. 04. 18.

Recommender Systems and Techniques인용 수 4

한 줄 요약

이 논문은 일시적인 그룹 추천에서 개인의 성격 특성을 고려하여 선호도를 집계하는 PEGA를 제안한다. 이는 사용자의 성격 특성을 활용하여 선호도 집계를 향상시키고 데이터 희소성 문제를 완화한다. 초과직육면체를 통해 그룹의 성격을 모델링하고 성격에 기반한 어텐션 메커니즘을 사용함으로써, PEGA는 아마존과 유프의 데이터셋에서 최신 기술을 뛰어넘는 성능을 기록하며 Recall과 NDCG에서 뚜렷한 향상을 이룬다.

ABSTRACT

Ephemeral group recommendation (EGR) aims to suggest items for a group of users who come together for the first time. Existing work typically consider individual preferences as the sole factor in aggregating group preferences. However, they neglect to take into account the importance of the individual inherent factors, such as personality, and thus fail to accurately simulate the group decision-making process. Additionally, these methods often struggle due to insufficient interactive records. To tackle these issues, a Personality-Guided Preference Aggregator (PEGA) is proposed, which guides the preference aggregation of group members based on their personalities, rather than relying solely on their preferences. Specifically, implicit personalities are first extracted from user reviews. Hyper-rectangles are then used to aggregate individual personalities to obtain the "Group Personality", which allows for the learning of personality distributions within the group. Subsequently, a personality attention mechanism is employed to aggregate group preferences, and a preference-based fine-tuning module is used to balance the weights of personality and preferences. The role of personality in this approach is twofold: (1) To estimate the importance of individual users in a group and provide explainability; (2) To alleviate the data sparsity issue encountered in ephemeral groups. Experimental results demonstrate that, on four real-world datasets, the PEGA model significantly outperforms related baseline models in terms of classification accuracy and interpretability. Moreover, empirical evidence supports the idea that personality plays a pivotal role in enhancing the performance of EGR tasks.

연구 동기 및 목표

• 상호작용이 적고 데이터 희소성이 높은 일시적인 그룹에서 개인의 선호도를 집계하는 데 도전하는 것.
• 그룹 의사결정 과정에서 개인의 영향력을 추정할 때 성격 특성을 핵심 요소로 통합하는 것.
• 초과직육면체를 통해 그룹 수준의 성격을 모델링하여 추천 정확도와 설명 가능성을 향상시키는 것.
• 사용자 상호작용 기록에 의존하는 것을 줄이고 안정적인 성격 특성(희소성에 덜 민감한 특성)을 활용하는 것.

제안 방법

• 언어적 특징을 기반으로 사용자 리뷰 텍스트에서 암묵적인 성격 특성을 추출하기 위해 LIWC 어휘집을 사용하는 것.
• 그룹 성격을 성격 공간 내의 초과직육면체로 정의하여 그룹 내 개인 성격의 융합을 표현하는 것.
• 사용자의 성격 특성에 따라 동적으로 가중치를 할당하는 성격 기반 어텐션 메커니즘을 도입하여 그룹 의사결정에서의 영향력을 반영하는 것.
• 학습 가능한 초매개변수 λ를 통해 성격과 선호도 기여도를 균형 잡는 것.
• 랭킹과 성격 인식 기반 선호도 학습을 통합한 공동 손실 함수를 사용하여 모델을 종합적으로 학습하는 것.
• 선호도 집계 모듈에 성격 임베딩을 통합하여 그룹 수준의 의사결정을 이끄는 것.

실험 결과

연구 질문

• RQ1 성격 특성을 통합함으로써 희소한 상호작용을 보이는 일시적인 그룹에서 선호도 집계가 어떻게 향상되는가?
• RQ2 성격 기반 가중치가 그룹 추천의 설명 가능성과 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 초과직육면체 기반의 그룹 성격 표현 방식이 집단 성격을 효과적으로 모델링하고 데이터 희소성을 줄일 수 있는가?
• RQ4 다양한 그룹 규모와 무작위 그룹 구성에 대해 제안된 방법의 탄력성은 어떠한가?
• RQ5 일시적인 그룹 내에서 성격과 선호도 중 어떤 것이 사용자 영향력 결정에 더 큰 기여를 하는가?

주요 결과

• PEGA는 아마존과 유프 데이터셋에서 최신 기술을 뛰어넘어 Recall과 NDCG 점수를 더 높게 기록한다.
• 성격과 선호도 사이의 최적의 균형은 λ = 0.3에서 달성되며, 이는 그룹 의사결정에서 성격이 선호도보다 더 강한 영향력을 미친다는 것을 시사한다.
• 다양한 그룹 규모에서 뛰어난 탄력성을 보이며, 특히 다른 모델이 성능이 저하되는 큰 그룹(≥12명)에서도 안정적인 성능을 유지한다.
• 사례 연구 결과, 높은 개방성, 외향성, 협조성을 가진 사용자들이 더 높은 영향력 가중치를 할당받는 것으로 확인되어 실제 그룹 역학과 일치한다.
• 성격 기반 가중치는 개인의 선호도가 매우 다양할 경우에도 선호도 노이즈를 효과적으로 완화한다.
• 성격 기반 어텐션 메커니즘은 사용자 성격 특성과 그룹 의사결정에서의 영향력 간의 시각적 연결을 제공함으로써 설명 가능성을 높인다.