[논문 리뷰] An Investigation on Social Network Recommender Systems and Collaborative Filtering Techniques

Maryam Nayebzadeh, Akbar Moazzam외 3명|arXiv (Cornell University)|2017. 08. 01.

Recommender Systems and Techniques참고 문헌 22인용 수 3

한 줄 요약

이 연구는 100명의 사용자, 10개의 항목 및 10개의 카테고리로 구성된 맞춤형 데이터셋을 생성하여 사회망 추천 시스템(SNRS)과 협업 필터링(CF)의 성능을 비교함으로써 SNRS와 CF를 조사한다. 평균 절대 오차(MAE)와 정확도를 사용하여 SNRS가 전통적인 CF를 능가함을 입증하며, 개선된 추천 접근 방식으로서의 효율성을 보여준다.

ABSTRACT

Nowadays, with the remarkable expansion of the information through the internet, users prefer to receive the exact information that they need through some suggestions from their friends or profiles to save their time and money. Recommend systems based on different algorithms as one of the basic ways to reach this goal through the internet have been proposed but each of them has their own advantages and disadvantages. In this study, we have selected and implemented two approaches which are Collaborative Filtering (CF) and Social Network Recommendations System (SNRS). Based on some limitations to finding a dataset which covers friendship, rating and item categories we generated it for 10 categories, 10 items, and 100 users and compared two approaches. We used Mean Absolute Error (MAE) and accuracy to compare the result of two mentioned approaches and found that the SNRS method as it is claimed to be improved version of CF works more efficiency.

연구 동기 및 목표

• 사회망 추천 시스템(SNRS)과 협업 필터링(CF)의 추천 정확도에서 성능을 평가하고 비교하는 것.
• 친구 관계, 평가 및 항목 카테고리를 포함한 공개된 데이터셋의 부족을 해결하기 위해 100명의 사용자, 10개의 항목 및 10개의 카테고리로 구성된 합성 데이터셋을 생성하는 것.
• SNRS가 CF의 향상된 버전으로서의 효과성을 평가하기 위해 추천 정확도 향상과 오차 감소를 측정하는 것.
• 사회망 관계를 통합할 경우 표준 CF 방법보다 추천 품질이 향상된다는 가설을 검증하는 것.

제안 방법

• 100명의 사용자, 10개의 항목 및 10개의 카테고리에 대해 사용자 친구 관계, 항목 평가 및 카테고리 레이블을 포함하는 합성 데이터셋을 생성하였다.
• 두 가지 추천 접근 방식을 구현하였다: 표준 협업 필터링(CF)과 사회망 추천 시스템(SNRS).
• 양방향 방법의 성능을 평균 절대 오차(MAE) 및 정확도 지표를 사용하여 평가하였다.
• SNRS는 협업 필터링이 평가 패턴에만 의존하는 데 비해, 사회망 관계를 활용하여 사용자-항목 평가 예측을 향상시켰다.
• 공정한 성능 비교를 위해 동일한 데이터셋과 평가 지표를 사용하여 비교 분석을 수행하였다.

실험 결과

연구 질문

• RQ1 SNRS의 성능은 전통적인 CF에 비해 추천 정확도 및 오차율 측면에서 어떻게 비교되는가?
• RQ2 사회망 관계를 통합할 경우 표준 CF에 비해 추천 품질 향상 정도는 어느 정도인가?
• RQ3 통제된 친구 관계, 평가 및 카테고리 데이터를 포함한 합성 데이터셋이 추천 시스템의 성능 평가에 효과적으로 기여할 수 있는가?
• RQ4 동일한 데이터셋에 적용했을 때 SNRS는 CF보다 낮은 평균 절대 오차(MAE)를 보여주는가?

주요 결과

• SNRS는 전통적인 협업 필터링 대비 낮은 평균 절대 오차(MAE)를 기록하여 더 높은 예측 정확도를 보였다.
• SNRS는 CF보다 더 높은 정확도를 보였으며, 이는 향상된 추천 접근 방식으로서의 효과성을 확인하는 데 기여했다.
• 합성 데이터셋은 CF와 SNRS의 평가를 성공적으로 지원하여 유효한 성능 비교를 가능하게 하였다.
• 결과는 사회망 정보를 통합할 경우 CF만을 사용하는 것보다 추천 성능 향상이 이루어짐을 검증하였다.