[논문 리뷰] AFEL-REC: A Recommender System for Providing Learning Resource Recommendations in Social Learning Environments

Dominik Kowald, Emanuel Lacić외 2명|arXiv (Cornell University)|2018. 08. 14.

Recommender Systems and Techniques참고 문헌 10인용 수 5

한 줄 요약

AFEL-REC는 사용자 상호작용과 소셜 태그를 활용하여 학습 자원 추천을 향상시키는 확장 가능하고 실시간 동작하는 추천 시스템이다. 이는 태그 기반 공동 필터링 기법이 상호작용 기반 방법에 비해 추천 정확도와 커버리지 측면에서 뚜렷한 향상을 이룬다는 것을 입증한다.

ABSTRACT

In this paper, we present preliminary results of AFEL-REC, a recommender system for social learning environments. AFEL-REC is build upon a scalable software architecture to provide recommendations of learning resources in near real-time. Furthermore, AFEL-REC can cope with any kind of data that is present in social learning environments such as resource metadata, user interactions or social tags. We provide a preliminary evaluation of three recommendation use cases implemented in AFEL-REC and we find that utilizing social data in form of tags is helpful for not only improving recommendation accuracy but also coverage. This paper should be valuable for both researchers and practitioners interested in providing resource recommendations in social learning environments.

연구 동기 및 목표

• 사회적 학습 환경에 특화된 확장 가능하고 실시간 동작하는 추천 시스템을 개발하는 것.
• 특히 사용자가 생성한 태그를 포함한 사회적 데이터가 추천 정확도와 커버리지 향상에 기여하는지 평가하는 것.
• 다양한 데이터 유형(메타데이터, 상호작용, 태그)을 통합된 추천 프레임워크 내에서 통합할 수 있는 가능성을 입증하는 것.
• 근접 실시간 환경에서 다양한 추천 사용 사례를 지원하는 유연한 소프트웨어 아키텍처를 제공하는 것.

제안 방법

• AFEL-REC는 고성능 데이터 저장 및 조율을 위해 Apache Solr과 Apache ZooKeeper를 활용한 확장 가능한 소프트웨어 아키텍처 기반으로 구축된다.
• 시스템은 REST 기반 서비스 계층을 통해 추천 API를 노출하고 실시간으로 새로운 데이터(예: 상호작용, 태그)를 수신한다.
• 추천 엔진은 유저 기반 공동 필터링(CF_i)과 태그 기반 공동 필터링(CF_t)을 포함한 유사도 기반 알고리즘을 사용하여 추천을 계산한다.
• 추천 커스터마이저는 구성 가능한 추천 프로파일을 통해 런타임 시 알고리즘 파라미터(예: 이웃 수)를 조정할 수 있도록 한다.
• 시스템은 사용자 행동과 소셜 태깅 기반 개인화 추천과 같은 다양한 추천 사용 사례를 지원한다.
• 평가 자료는 Didactalia 소셜 학습 플랫폼의 데이터를 사용하였으며, 평가 지표로는 정밀도, MAP, nDCG, 커버리지(C)가 포함된다.

실험 결과

연구 질문

• RQ1 추천 시스템은 사회적 태깅 데이터를 효과적으로 활용하여 사회적 학습 환경에서 학습 자원 추천을 향상시킬 수 있는가?
• RQ2 상호작용 기반 공동 필터링 대비 사회적 태그의 통합이 추천의 정확도와 커버리지에 어떤 영향을 미치는가?
• RQ3 확장 가능하고 실시간 동작하는 아키텍처는 사회적 학습 플랫폼에서 다양한 추천 사용 사례를 얼마나 잘 지원할 수 있는가?
• RQ4 정확도와 커버리지 측면에서 태그 기반 공동 필터링이 상호작용 기반 필터링을 능가할 수 있는가?

주요 결과

• 태그 기반 공동 필터링 기법(CF_t)은 정밀도@20가 0.070을 기록하여 상호작용 기반 방법(CF_i)의 0.046보다 뚜렷이 높게 나타났다.
• CF_t는 정규화된 할인 누적 수익(nDCG@20)이 0.044를 기록하여 CF_i의 0.032보다 우수한 순위 정렬 품질을 보였다.
• CF_t는 커버리지를 53%까지 향상시켜 CF_i의 40%를 뛰어넘었으며, 이는 사회적 태그가 상호작용 기록이 적은 사용자에게도 도달할 수 있음을 시사한다.
• 비개인화된 MostPopular(MP) 기준선은 커버리지가 100%였지만 정밀도@20는 0.007에 그쳐 정확도와 커버리지 사이의 상충 관계를 확인시켰다.
• 결과는 사회적 태깅 데이터가 추천 정확도와 커버리지를 모두 향상시켜 사회적 학습 환경에서 개인화 향상에 유의미한 기여를 한다는 것을 확인한다.
• 시스템의 확장 가능한 아키텍처는 실시간 추천을 가능하게 하며, 추천 커스터마이저를 통한 알고리즘 파라미터의 동적 설정을 지원한다.