[논문 리뷰] Addressing the Item Cold-start Problem by Attribute-driven Active Learning

Yu Zhu, Jinhao Lin외 5명|arXiv (Cornell University)|2018. 05. 23.

Recommender Systems and Techniques참고 문헌 30인용 수 18

한 줄 요약

이 논문은 새로운 항목에 대한 사용자 평가가 부족한 항목 쿨스타트 문제를 해결하기 위해 항목 속성과 사용자 평가 이력을 함께 활용하여 최적의 사용자를 선정하는 속성 기반 주도형 활성 학습 프레임워크를 제안한다. 사용자 선정을 네 가지 기준—사용자의 평가 의지, 평가 다양성, 속성 유사도, 이전 선호도—를 고려한 최적화 문제로 공식화한 후 피드백을 바탕으로 인자 분해 기계 모델을 재학습함으로써, 기준 방법 대비 상대적으로 최대 25% 향상된 RMSE와 더 높은 예측 정밀도를 달성한다.

ABSTRACT

In recommender systems, cold-start issues are situations where no previous events, e.g. ratings, are known for certain users or items. In this paper, we focus on the item cold-start problem. Both content information (e.g. item attributes) and initial user ratings are valuable for seizing users' preferences on a new item. However, previous methods for the item cold-start problem either 1) incorporate content information into collaborative filtering to perform hybrid recommendation, or 2) actively select users to rate the new item without considering content information and then do collaborative filtering. In this paper, we propose a novel recommendation scheme for the item cold-start problem by leverage both active learning and items' attribute information. Specifically, we design useful user selection criteria based on items' attributes and users' rating history, and combine the criteria in an optimization framework for selecting users. By exploiting the feedback ratings, users' previous ratings and items' attributes, we then generate accurate rating predictions for the other unselected users. Experimental results on two real-world datasets show the superiority of our proposed method over traditional methods.

연구 동기 및 목표

• 신규 항목에 대한 사용자 평가가 없어 효과적인 추천이 어려운 항목 쿨스타트 문제를 해결하기 위해.
• 활성 학습과 항목 속성 정보를 융합하여 신규 항목의 추천 정확도를 향상시키기 위해.
• 평가 의지와 예측 평가의 다양성을 동시에 고려한 사용자 선정 전략을 개발하기 위해.
• 동적 예산 기반 전략을 통해 활성 학습 자원 할당을 최적화하기 위해.
• 선택되지 않은 사용자에 대해서도 높은 품질의 예측을 확보하면서 활성 학습 기간 동안 사용자 참여를 유지하기 위해.

제안 방법

• 기존 사용자 평가와 항목 속성을 사용해 인자 분해 기계 모델을 사전 학습하여 평가 예측 함수를 초기화한다.
• 사용자 선정을 위한 네 가지 기준 정의: (1) 사용자가 새로운 항목을 평가할 의지가 있는지, (2) 기대 평가 다양성, (3) 사용자와 항목 간의 속성 유사도, (4) 유사 항목에 대한 사용자의 이전 선호도.
• 가중치 합을 사용해 네 가지 기준을 균형 잡는 제약 조건이 있는 최적화 문제로 사용자 선정을 공식화하며, 탐색과 이용 간의 균형을 조절하는 하이퍼파라미터 α를 사용한다.
• 불확실성과 잠재적 정보 수확량을 기반으로 새로운 항목들 간에 활성 학습 예산을 동적으로 할당하여 자원 효율성을 향상시킨다.
• 선택된 사용자로부터 피드백 평가를 수집하고, 이를 바탕으로 인자 분해 기계 모델을 재학습하여 선택되지 않은 사용자에 대한 예측을 개선한다.
• 재학습된 모델을 사용해 선택되지 않은 사용자의 평가를 예측함으로써 정확도와 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 어떻게 항목 속성을 효과적으로 활용하여 항목 쿨스타트 문제의 활성 학습에서 사용자 선정을 향상시킬 수 있는가?
• RQ2 새로운 항목을 평가할 의지가 있고 정보가 풍부한 사용자를 선정하는 데 어떤 기준이 필요한가?
• RQ3 쿨스타트 항목의 활성 학습에서 탐색(다양한 평가)과 이용(높은 신뢰도 예측) 간의 균형을 어떻게 조절할 수 있는가?
• RQ4 제한된 활성 학습 자원 조건에서 동적 예산 할당 전략이 추천 성능에 얼마나 기여하는가?
• RQ5 속성 기반 사용자 선정과 협업 필터링을 융합하면 기존 하이브리드 또는 활성 학습 방법보다 더 높은 예측 정확도를 달성할 수 있는가?

주요 결과

• 제안된 방법인 FMFC는 Movielens-IMDB 데이터셋에서 최상의 기준 방법 대비 상대적으로 RMSE가 25% 감소하여 예측 정확도 향상이 뚜렷하게 입증되었다.
• 네 가지 사용자 선정 기준 중 어느 하나라도 제거할 경우 RMSE가 증가하며, 특히 (1) 사용자 평가 의지 기준이 가장 큰 영향을 미쳐 성능 확보에 핵심적인 역할을 함을 확인하였다.
• 선택된 사용자 수(k)가 증가할수록 성능 향상이 나타나며, 더 많은 피드백이 모델 재학습과 예측 오차 감소에 기여함을 보였다.
• 동적 예산 전략은 다양한 총 예산 수준에서 RMSE와 PFR(Prediction Fidelity Rate)를 모두 향상시키며, 높은 예산 수준에선 수익 감소 현상이 나타났다.
• 사용자 평가 의지에 대한 가중치 α의 최적 값은 약 1이며, 이는 활성 학습에서 높은 PFR과 예측에서 낮은 RMSE를 동시에 달성하는 데 유리하며, α < 1일 경우 성능 저하가 발생함을 확인하였다.
• 이 방법은 활성 학습에서 높은 PFR과 예측에서 낮은 RMSE를 유지하여 탐색과 이용 간 효과적인 균형 조절이 이루어졌음을 시사한다.