[논문 리뷰] Aligning Daily Activities with Personality: Towards A Recommender System for Improving Wellbeing

Mohammed Khwaja, Miquel Ferrer외 3명|arXiv (Cornell University)|2019. 09. 09.

Mental Health Research Topics인용 수 4

한 줄 요약

이 논문은 개인의 빅파이브 성격 특성과 일일 활동을 정렬하여 주관적 복지를 향상시키는 개인화된 추천 시스템을 제안한다. 스마트폰에서 수집한 활동, 성격, 주관적 복지(SWB) 데이터를 기반으로 훈련된 머신러닝 모델을 사용하여 높거나 낮은 SWB를 위한 최적의 활동 분포를 예측하며, 개인의 '나쁜' 활동 패턴을 식별하는 데까지 92%의 정확도를 달성한다.

ABSTRACT

Recommender Systems have not been explored to a great extent for improving health and subjective wellbeing. Recent advances in mobile technologies and user modelling present the opportunity for delivering such systems, however the key issue is understanding the drivers of subjective wellbeing at an individual level. In this paper we propose a novel approach for deriving personalized activity recommendations to improve subjective wellbeing by maximizing the congruence between activities and personality traits. To evaluate the model, we leveraged a rich dataset collected in a smartphone study, which contains three weeks of daily activity probes, the Big-Five personality questionnaire and subjective wellbeing surveys. We show that the model correctly infers a range of activities that are 'good' or 'bad' (i.e. that are positively or negatively related to subjective wellbeing) for a given user and that the derived recommendations greatly match outcomes in the real-world.

연구 동기 및 목표

• 주관적 복지 중심 추천 시스템의 콜드 스타트 문제를 성격 특성을 사용자 프로파일로 활용하여 해결하기 위해.
• 성격과 일일 활동 분포 간의 일치도가 주관적 복지(SWB)를 이끄는 요인임을 모델링하기 위해.
• 최적의 활동 패턴을 예측하여 SWB를 향상시키는 개인화된 활동 추천 시스템을 개발하기 위해.
• 예측된 '화이트리스트' 및 '블랙리스트' 활동 분포가 높거나 낮은 SWB 결과를 정확히 추론할 수 있는지 검증하기 위해.
• 모델의 성능을 이상적이고 현실적인 사용자 행동 시나리오 모두에서 평가하기 위해.

제안 방법

• 스마트폰 앱을 통해 2~3주 동안 종단적 데이터셋을 수집하여 하루에 다섯 번의 생태학적 순간 평가(EMA) 조사로 활동 보고를 캡처했다.
• 빅파이브 성격 설문지와 삶의 만족도 설문지를 주관적 복지(SWB)의 기준 측정 도구로 통합했다.
• 성격 특성과 활동 분포 패턴 간의 일치도를 기반으로 SWB를 예측하기 위해 머신러닝 분류기 모델을 사용했다.
• 예측된 SWB 결과와 일치하는 분포를 시뮬레이션하여 높거나 낮은 SWB를 위한 최적의 활동 범위를 정의했다.
• 두 번째 데이터셋에서 실제 사용자 활동 분포와 비교하여 예측된 최적의 범위에 대한 모델 성능을 평가했다.
• 정규화 파rameter(λ=0.1)를 사용한 이진 분류 모델을 적용하고, 변동성이 뚜렷한 8개의 활동 클러스터를 식별했다.

실험 결과

연구 질문

• RQ1 성격 특성을 사용하여 주관적 복지를 향상시키는 개인화된 활동 패턴을 유추할 수 있는가?
• RQ2 개인 사용자에게 높거나 낮은 SWB를 유도하는 활동 분포의 범위를 모델이 얼마나 정확히 예측할 수 있는가?
• RQ3 실제 사용자 행동에 기반해 평가했을 때, 모델이 '좋은' 및 '나쁜' 활동 패턴을 얼마나 정확히 식별할 수 있는가?
• RQ4 모델은 이상적(완전한 준수)인가, 현실적인(다수 준수) 사용자 행동 가정 조건에서 더 잘 작동하는가?
• RQ5 일치도를 고려하지 않고 성격 및 활동 데이터만 사용하는 기준 분류기보다 모델이 더 우수한 성능을 보일 수 있는가?

주요 결과

• 제안된 모델은 성격-활동 일치도를 기반으로 SWB를 예측하는 데 있어 세 가지 벤치마크 분류기보다 9~18% 높은 성능을 보였다.
• 8개의 핵심 활동을 모두 고려할 경우, 높은 SWB 집단의 51%와 낮은 SWB 집단의 74%가 예측된 최적 범위 내에 활동 분포를 가졌으며.
• 최소 다섯 개 이상의 활동을 고려할 경우, 높은 SWB 사용자에 대해 예측 정확도가 71%로 향상되었고, 낮은 SWB 사용자에 대해서는 92%로 상승했다.
• 모델는 '나쁜' 활동 패턴(낮은 SWB)을 식별하는 데 더 높은 성능을 보이며, 부정적인 행동 영향에 대해 더 민감한 것으로 나타났다.
• 활동 분포와 성격 간의 일치도가 SWB의 강력한 예측 변수임을 시사하며, 개인화된 복지 추천 시스템의 실현 가능성을 뒷받침한다.
• 현실적인 준수 조건에서도 높은 정확도를 보였기 때문에, 실생활 복지 간 interventions에 대한 실용적 타당성이 높아 보인다.