[논문 리뷰] An Explainable Autoencoder For Collaborative Filtering Recommendation

Pegah Sagheb Haghighi, Olurotimi Seton외 1명|arXiv (Cornell University)|2019. 12. 23.

Recommender Systems and Techniques참고 문헌 18인용 수 7

한 줄 요약

이 논문은 협업 필터링을 위한 설명 가능한 오토인코더(E-AutoRec)를 제안하며, 이는 이웃 기반 설명 가능성 점수를 보조 정보로 통합하여 추천의 설명 가능성을 향상시키고, 예측 정확도를 유지하면서 투명성을 높인다. 이 방법은 정확도를 희생시키지 않고도 더 나은 설명 가능성을 달성하여, 다양한 지표에서 기준 오토인코더를 능가한다.

ABSTRACT

Autoencoders are a common building block of Deep Learning architectures, where they are mainly used for representation learning. They have also been successfully used in Collaborative Filtering (CF) recommender systems to predict missing ratings. Unfortunately, like all black box machine learning models, they are unable to explain their outputs. Hence, while predictions from an Autoencoder-based recommender system might be accurate, it might not be clear to the user why a recommendation was generated. In this work, we design an explainable recommendation system using an Autoencoder model whose predictions can be explained using the neighborhood based explanation style. Our preliminary work can be considered to be the first step towards an explainable deep learning architecture based on Autoencoders.

연구 동기 및 목표

• 딥 러닝 기반 협업 필터링 모델, 특히 일반적으로 백박스 시스템으로 간주되는 오토인코더에서 설명 가능성의 부족을 해결하기 위해.
• 외부 콘텐츠 데이터에 의존하지 않고도 예측에 대한 해석 가능한 근거를 제공하는 추천 시스템을 개발하기 위해.
• 사용자 이웃에서 유도된 설명 가능성 점수를 오토인코더 아키텍처에 보조 정보로 통합하기 위해.
• 상위-n 추천의 설명 가능성은 크게 향상시키면서도 높은 예측 정확도를 유지하기 위해.
• 오토인코더 기반 추천 시스템에서 설명 가능성은 성능 저하 없이 향상시킬 수 있음을 입증하기 위해.

제안 방법

• 모델은 인코더와 디코더를 갖는 표준 오토인코더 아키텍처를 사용하며, 입력 레이어에는 사용자 평점 벡터와 사전 계산된 설명 가능성 점수를 보조 정보로 포함한다.
• 설명 가능성 점수는 각 사용자의 설명 가능성 벡터가 가장 유사한 사용자들의 평점 기반으로 계산되는 이웃 기반 접근 방식을 통해 생성된다.
• 설명 가능성 행렬 E는 각 사용자의 상위-k개의 유사 사용자들을 기반으로 구성되며, 점수는 이웃 내에서 아이템 평점의 빈도를 반영한다.
• 오토인코더는 예측 평점과 실제 평점 간의 차이를 최소화하는 복원 손실 함수를 사용하여 훈련되며, 설명 가능성 점수가 입력 레이어에 통합되어 학습을 안내한다.
• 인코딩에는 시그모이드 활성화 함수를, 디코딩에는 항등 함수를 사용하며, 인코더와 디코더 레이어 간에 가중치를 공유한다.
• 설명 가능성 임계값 θ는 설명 가능한 아이템의 희소성을 조절하며, 높은 값일수록 추천 목록 내 설명 가능한 아이템 수가 감소한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 협업 필터링 모델에 대해 콘텐츠 기반 특징에 의존하지 않고 오토인코더 기반 모델을 설명 가능하게 만들 수 있는가?
• RQ2 이웃 기반 설명 가능성 점수를 통합하면 추천의 정확도와 설명 가능성에 어떤 영향을 미치는가?
• RQ3 딥 러닝 기반 추천 시스템에서 설명 가능성과 예측 정확도 사이에 트레이드오프가 존재하는가?
• RQ4 오토인코더 기반 시스템에서 성능 저하 없이 설명 가능성을 향상시킬 수 있는가?
• RQ5 이웃 크기 및 설명 가능성 임계값과 같은 하이퍼파라미터가 정확도와 설명 가능성의 균형에 어떤 영향을 미치는가?

주요 결과

• E-AutoRec 모델은 모든 테스트 파라미터 설정에서 기준 AutoRec과 비교해 유사하거나 더 낮은 RMSE 성능을 기록하여 예측 정확도 손실가 없음을 시사한다.
• 평균 설명 정밀도(Mean Explanation Precision, MEP) 지표는 E-AutoRec가 AutoRec보다 추천 설명에 있어 일관되게 뛰어나며, 특히 큰 상위-n 추천 목록에서 두드러진다.
• 이웃 크기(|Nu|)를 증가시키면 MEP는 향상되지만 MAP는 약간 점진적으로 감소하여 설명 가능성과 정확도 사이에 유리한 트레이드오프가 있음을 보여준다.
• 설명 가능성 임계값 θ는 설명 가능한 아이템 수를 줄이며, 두 모델 모두 MEP에 하락을 초래하지만, E-AutoRec는 모든 임계값 수준에서 더 높은 설명 가능성을 유지한다.
• 상위-20 추천에서 두 모델은 MAP 측면에서 잘 수행하지만, E-AutoRec는 이 이상에서도 MEP가 높게 유지되어 장꼬리 설명 가능성 향상을 보여준다.
• 설명 가능성 점수를 보조 정보로 통합함으로써 정확도와 설명 가능성 모두 향상되었으며, 이는 설명 가능성이 학습 과정 내에 통합되어 성능 저하 없이 구현될 수 있음을 입증한다.