[논문 리뷰] A Random Walk Based Model Incorporating Social Information for Recommendations

Shang Shang, Sanjeev R. Kulkarni외 2명|arXiv (Cornell University)|2012. 08. 03.

Recommender Systems and Techniques참고 문헌 4인용 수 18

한 줄 요약

이 논문은 사용자 평가, 아이템 콘텐츠, 사용자 프로필, 사회망 정보를 통합하여 추천 정확도를 향상시키기 위해 유일한 그래프 구조로 통합하는 랜덤 워크 기반 하이브리드 협업 필터링 모델을 제안한다. 특히 냉각기 사용자에게서의 성능 향상을 위해, 평가 점수에 기반한 간선 가중치와 사회적 신뢰를 활용함으로써 최신 기술 대비 뛰어난 성능을 달성한다.

ABSTRACT

Collaborative filtering (CF) is one of the most popular approaches to build a recommendation system. In this paper, we propose a hybrid collaborative filtering model based on a Makovian random walk to address the data sparsity and cold start problems in recommendation systems. More precisely, we construct a directed graph whose nodes consist of items and users, together with item content, user profile and social network information. We incorporate user's ratings into edge settings in the graph model. The model provides personalized recommendations and predictions to individuals and groups. The proposed algorithms are evaluated on MovieLens and Epinions datasets. Experimental results show that the proposed methods perform well compared with other graph-based methods, especially in the cold start case.

연구 동기 및 목표

• 사회적 정보 및 사용자 프로필 정보를 통합하여 추천 시스템의 데이터 희소성 문제와 냉각기 문제를 해결한다.
• 사용자-아이템 평가, 아이템 콘텐츠, 사용자 프로필, 사회망 정보를 하나의 그래프 구조로 통합하는 하이브리드 협업 필터링 모델을 개발한다.
• 기존 평가 기록이 없는 신규 사용자 포함 개인 및 그룹 사용자에게도 개인화된 추천을 가능하게 한다.
• 이질적 그래프에서 가중치가 부여된 랜덤 워크를 통해 사용자 선호도를 모델링함으로써 추천 정확도를 향상시킨다.
• 실제 데이터셋에서 모델 성능을 평가하며, 특히 냉각기 및 온도 유지 상태에서의 성능을 분석한다.

제안 방법

• 사용자, 아이템, 아이템 장르, 사용자 프로필을 노드로 하는 방향성 있는 이질적 그래프를 구축하며, 사용자 평가, 사회적 신뢰, 콘텐츠 태그를 반영한 간선으로 연결한다.
• 사용자 평가 점수(예: 1~5점 척도)에 기반한 간선 가중치를 할당하여, 단위 가중치를 사용하는 것과는 달리 선호도 강도를 인코딩할 수 있도록 한다.
• 안정적인 노드 분포를 계산하기 위해 마르코프 랜덤 워크 프로세스를 적용하며, 이를 추천을 위한 아이템 순위로 해석한다.
• 개별 사용자 워크와 신뢰 관계를 집계하여 그룹 추천을 위한 모델을 확장한다.
• 노드 중요도를 도출하기 위해 PageRank 유사 계산을 사용하며, 높은 점수는 더 높은 추천 관련성을 의미한다.
• 사용자 간 신뢰 관계를 통해 사회망 정보를 통합함으로써 신뢰할 수 있는 동료에서의 정보 전파를 가능하게 한다.

실험 결과

연구 질문

• RQ1 랜덤 워크 기반 협업 필터링 모델에 사회망 정보를 통합할 경우, 냉각기 시나리오에서 성능 향상이 상당히 이루어지는가?
• RQ2 평가 점수에 기반한 가중치 간선를 사용하는 본 모델은 단위 가중치 간선를 사용하는 모델과 비교해 추천 정확도에서 어떻게 다른가?
• RQ3 기존 평가 기록이 없는 신규 사용자에게 효과적인 추천을 제공할 수 있는가?
• RQ4 아이템 콘텐츠 및 사용자 프로필 정보의 통합이 데이터 희소성 문제를 다루는 데 모델의 능력을 향상시키는가?
• RQ5 MovieLens 및 Epinions과 같은 실세계 데이터셋에서 최신 기술 대비 본 모델의 성능은 어떠한가?

주요 결과

• 사회 정보를 통합한 제안된 UserRank 모델은 냉각기 시나리오에서 Epinions에서 0.2874, MovieLens에서 0.1112의 백분위수 점수를 기록하여 기준 모델을 크게 앞서 갔다.
• 냉각기 상황에서, 사회 정보를 통합한 UserRank는 Epinions에서 UserRank CF 대비 평균 백분위수 점수를 14.7% 감소시키고, MovieLens에서는 7.3% 감소시켰다.
• MovieLens 데이터셋에서 모델은 상위 900개 추천에서 리콜 점수 0.85를 기록하여 관련 아이템의 강력한 커버리지가 있음을 보여주었다.
• 냉각기 상황에서 모델은 뛰어난 성능을 보였으며, 사용자 평가 기록이 없더라도 사회 정보 덕분에 효과적인 추천이 가능했다.
• 온도 유지 상태에서는 사회 정보의 추가로 인한 향상은 미미한 편이었으며, 이는 사용자 평가 데이터가 부족할 때 사회 데이터가 가장 유용함을 시사한다.
• 기존 연구에서 사용한 단위 가중치 간선와는 달리 평가 기반 간선 가중치를 사용함으로써 선호도 모델링이 향상되어 더 정확한 순위 매기기가 가능했다.