[논문 리뷰] An Intelligent Group Event Recommendation System in Social networks

Guoqiong Liao, Huang Xiao-mei외 2명|arXiv (Cornell University)|2020. 06. 16.

Recommender Systems and Techniques참고 문헌 42인용 수 4

한 줄 요약

이 논문은 이벤트 기반 소셜 네트워크(EBSNs)를 위한 주목사용 기반의 맥락 인지 그룹 이벤트 추천 모델인 ACGER를 제안한다. 이 모델은 신경망을 사용하여 사용자, 그룹, 이벤트에 대한 맥락의 영향을 동적으로 학습한다. 간접적(주목사용 기반 집계)이고 직접적(신경망으로 학습된) 그룹 선호도를 통합하고 개인 추천과 공동 학습을 통해, 두 개의 실세계 데이터셋에서 최신 기술 모델들을 뛰어넘는 성능을 보인다.

ABSTRACT

The importance of contexts has been widely recognized in recommender systems for individuals. However, most existing group recommendation models in Event-Based Social Networks (EBSNs) focus on how to aggregate group members' preferences to form group preferences. In these models, the influence of contexts on groups is considered but simply defined in a manual way, which cannot model the complex and deep interactions between contexts and groups. In this paper, we propose an Attention-based Context-aware Group Event Recommendation model (ACGER) in EBSNs. ACGER models the deep, non-linear influence of contexts on users, groups, and events through multi-layer neural networks. Especially, a novel attention mechanism is designed to enable the influence weights of contexts on users/groups change dynamically with the events concerned. Considering that groups may have completely different behavior patterns from group members, we propose that the preference of a group need to be obtained from indirect and direct perspectives (called indirect preference and direct preference respectively). In order to obtain the indirect preference, we propose a method of aggregating preferences based on attention mechanism. Compared with existing predefined strategies, this method can flexibly adapt the strategy according to the events concerned by the group. In order to obtain the direct preference, we employ neural networks to directly learn it from group-event interactions. Furthermore, to make full use of rich user-event interactions in EBSNs, we integrate the context-aware individual recommendation task into ACGER, which enhances the accuracy of learning of user embeddings and event embeddings. Extensive experiments on two real datasets from Meetup show that our model ACGER significantly outperforms the state-of-the-art models.

연구 동기 및 목표

• 기존의 그룹 추천 모델에서의 사전 정의된 고정된 그룹 집계 전략의 한계를 해결한다.
• EBSNs에서 그룹 의사결정에 영향을 주는 복잡하고 비선형적이며 동적인 맥락적 요인(예: 시간, 위치, 사회적 유대 관계)의 영향을 모델링한다.
• 직접적(멤버 선호도 집계) 및 간접적(그룹 전용 상호작용 패턴) 시 perspectiv에서 그룹 선호도를 포착한다.
• 공동 학습을 통해 개인 추천 작업과 그룹 추천 작업을 동시에 학습시켜 사용자 및 이벤트 임베딩의 품질을 향상시킴으로써 추천 정확도를 향상시킨다.
• 이벤트 유형에 따라 동적으로 결정 전략을 조정할 수 있도록 맥락적 요인에 대한 동적 주목사용 가중치를 학습한다.

제안 방법

• 사용자/그룹-맥락과 이벤트-맥락 간의 상호작용을 동시에 모델링하는 새로운 주목사용 메커니즘을 제안하여, 맥락이 그룹 결정에 미치는 영향을 동적으로 계산한다.
• 고정된 규칙(예: 평균, 승인 투표) 대신 데이터에서 적응형 그룹 집계 전략을 학습하기 위해 신경망 기반 주목사용 메커니즘을 사용한다.
• 이벤트 유형에 따라 변하는 학습된 주목사용 가중치를 통해 개인 멤버 선호도를 집계하여 간접적 그룹 선호도를 모델링한다.
• 딥 신경망을 사용하여 그룹-이벤트 상호작용 데이터에서 직접적으로 그룹 전용 행동 패턴을 학습한다.
• 공동 학습을 통해 개인 추천 작업과 그룹 추천 작업을 동시에 학습시켜 공유 표현 학습을 통해 사용자 및 이벤트 임베딩의 품질을 향상시킨다.
• 다중층 신경망을 사용하여 사용자, 그룹, 이벤트, 맥락적 요인 간의 깊고 비선형적인 상호작용을 모델링한다.

실험 결과

연구 질문

• RQ1 어떻게 EBSNs에서 시간, 위치, 사회적 유대 관계 등의 맥락적 요인이 그룹 선호도에 영향을 주는 동적이고 비선형적인 영향을 모델링할 수 있는가?
• RQ2 평균 또는 최소 고통 전략과 같은 사전 정의된 전략에 비해 학습 가능한 주목사용 메커니즘이 그룹 선호도 집계에 개선을 가져올 수 있는가?
• RQ3 간접적(멤버 집계 기반)과 직접적(그룹 전용) 그룹 선호도가 정확한 이벤트 추천에 얼마나 기여하는가?
• RQ4 개인 추천을 그룹 추천 프레임워크에 통합함으로써 그룹 추천 성능이 향상되는가?
• RQ5 맥락적 요소가 모델이 정확한 그룹 선호도를 학습하고 추천 정확도를 향상시키는 데 어떤 영향을 미치는가?

주요 결과

• ACGER는 두 개의 실세계 Meetup 데이터셋에서 모든 평가 지표(P@5, R@5, NDCG@5)에서 최신 기술 모델들을 뛰어넘는 성능을 보였다.
• 간접 선호도만을 사용하는 ACGER_U는 직접 선호도만을 사용하는 ACGER_G를 뛰어넘는 성능을 보였으며, 이는 간접 선호도가 그룹 선호도 학습에서 주도적인 역할을 한다는 것을 시사한다.
• 개인 추천 작업을 생략한 ACGER_Grp는 ACGER보다 유의미하게 떨어지며, 뉴욕 데이터셋에서 P@5가 10.03% 감소했다. 이는 공동 학습의 이점이 있음을 보여준다.
• 맥락 정보를 제외한 ACGER2는 ACGER보다 뚜렷이 성능이 열 劣하므로, 맥락 모델링이 높은 추천 정확도를 확보하는 데 핵심임을 확인한다.
• 주목사용 메커니즘이 효과적으로 동적 맥락 영향을 포착하며, 이는 이벤트 유형에 따라 모델이 주목사용 가중치를 조정함으로써 맥락 인지 의사결정을 향상시킨다는 것을 보여준다.
• 개인 및 그룹 추천 작업의 통합은 사용자 및 이벤트 임베딩의 품질을 향상시켜 더 정확한 그룹 선호도 모델링을 가능하게 한다.