[논문 리뷰] A Review on Recommendation Systems: Context-aware to Social-based

S. M. Mahdi Seyednezhad, Kailey Nobuko Cozart외 2명|arXiv (Cornell University)|2018. 11. 28.

Recommender Systems and Techniques참고 문헌 41인용 수 14

한 줄 요약

이 논문은 전통적인 방법인 협업 필터링과 콘텐츠 기반 필터링에서부터 고급의 맥락 인식형 및 사회 기반 접근법에 이르기까지 추천 시스템에 대한 종합적인 리뷰를 제공한다. 핵심 기법, 평가 지표, 그리고 사회 네트워크의 링크 예측 및 인용 및 주제 분석을 활용한 논문 추천과 같은 최신 트렌드를 다룬다.

ABSTRACT

The number of Internet users had grown rapidly enticing companies and cooperations to make full use of recommendation infrastructures. Consequently, online advertisement companies emerged to aid us in the presence of numerous items and users. Even as a user, you may find yourself drowned in a set of items that you think you might need, but you are not sure if you should try them. Those items could be online services, products, places or even a person for a friendship. Therefore, we need recommender systems that pave the way and help us making good decisions. This paper provides a review on traditional recommendation systems, recommendation system evaluations and metrics, context-aware recommendation systems, and social-based recommendation systems. While it is hard to include all the information in a brief review paper, we try to have an introductory review over the essentials of recommendation systems. More detailed information on each chapter will be found in the corresponding references. For the purpose of explaining the concept in a different way, we provided slides available on https://www.slideshare.net/MahdiSeyednejad/recommender-systems-97094937.

연구 동기 및 목표

• 전통적이고 현대적인 추천 시스템 방법론에 대한 체계적인 개요 제공.
• 인구통계학적 및 콘텐츠 기반 필터링에서 협업 및 하이브리드 방법으로의 진화 분석.
• 시간, 공간, 상황적 사용자 데이터를 통합하는 맥락 인식형 시스템 탐구.
• 친구 추론, 그룹 추천, 링크 예측에 초점을 맞춘 사회 기반 추천 시스템 분석.
• 특히 학술 및 사회 네트워크 환경에서의 추천 시스템 분야의 연구 격차와 향후 방향성 규명.

제안 방법

• 추천 시스템을 네 가지 주요 유형으로 분류: 인구통계학적 필터링, 콘텐츠 기반 필터링, 협업 필터링, 하이브리드 방법.
• 조건부 확률을 사용하여 사용자 속성과 항목 평점 기반으로 사용자 평점을 예측하기 위한 나이브 베이즈 접근법 도입.
• 사용자 맥락(예: 시간, 위치 등)을 추천에 통합하기 위해 맥락 기반 사전 필터링, 사후 필터링 및 모델링 기법 제안.
• 평점 차이를 지표로 사용하여 사회 네트워크 내 즉각적인 친구로부터의 영향력을 히스토그램 기반 유사도로 모델링.
• 노드 기반 및 경로 기반 특징을 포함한 토폴로지 기반 및 유사도 기반 메트릭을 사용하여 사회 네트워크의 링크 예측 수행.
• 맥락 기반 협업 필터링 및 공인용 분석을 연구 논문 추천에 적용하여 인용 네트워크와 공유 참조를 활용.

실험 결과

연구 질문

• RQ1 맥락 인식형 추천 시스템은 상황적 사용자 데이터를 통합함으로써 개인화를 어떻게 향상시키는가?
• RQ2 사회 네트워크 구조를 활용하여 사용자 행동과 선호도를 모델링하는 데 가장 효과적인 기법은 무엇인가?
• RQ3 사용자 속성, 이모티콘 사용량, 공통 친구 분석을 통해 사회 네트워크의 링크 예측은 어떻게 향상될 수 있는가?
• RQ4 공인용 분석 및 인용 네트워크 모델링은 논문 추천 정확도를 어떻게 향상시키는가?
• RQ5 기존 협업 필터링의 한계는 무엇이며, 하이브리드 또는 맥락 기반 모델은 이를 어떻게 극복하는가?

주요 결과

• 맥락 인식형 시스템은 시간, 위치, 기기와 같은 실시간 사용자 맥락을 통합함으로써 추천의 적합성을 크게 향상시킨다.
• 사회 기반 시스템은 특히 토폴로지 기반 및 유사도 기반 메트릭을 사용할 경우 기존 방법보다 사용자 연결 예측 및 친구 추천에서 뛰어난 성능을 보인다.
• 히스토그램 기반 평점 차이 모델링을 통해 사회 네트워크 내 즉각적인 친구로부터의 영향력 추정 정확도가 향상된다.
• 공인용 분석 및 인용 네트워크 모델링은 표준 협업 필터링보다 연구 논문 추천 과제에서 더 뛰어난 성능을 보인다.
• 콘텐츠 기반 및 협업 필터링을 융합한 하이브리드 방법은 예측 품질과 다양성 측면에서 더 뛰어난 성능을 달성한다.
• 이모티콘과 사용자 표현의 의미 분석은 트위터와 같은 소셜 미디어 플랫폼에서 링크 예측의 튜너로 잠재력을 보여준다.