[논문 리뷰] Aspect-Aware Latent Factor Model: Rating Prediction with Ratings and Reviews

Zhiyong Cheng, Ying Ding외 2명|arXiv (Cornell University)|2018. 02. 22.

Recommender Systems and Techniques참고 문헌 43인용 수 141

한 줄 요약

본 논문은 ALFM을 제안한다. 이는 aspect-aware topic model(ATM)과 aspect-aware latent factor model을 결합하여 평점과 리뷰를 이용해 평점을 예측하고, 지역적(로컬) 성능과 콜드 스타트 문제의 성능 및 해석 가능성을 향상시킨다.

ABSTRACT

Although latent factor models (e.g., matrix factorization) achieve good accuracy in rating prediction, they suffer from several problems including cold-start, non-transparency, and suboptimal recommendation for local users or items. In this paper, we employ textual review information with ratings to tackle these limitations. Firstly, we apply a proposed aspect-aware topic model (ATM) on the review text to model user preferences and item features from different aspects, and estimate the aspect importance of a user towards an item. The aspect importance is then integrated into a novel aspect-aware latent factor model (ALFM), which learns user's and item's latent factors based on ratings. In particular, ALFM introduces a weighted matrix to associate those latent factors with the same set of aspects discovered by ATM, such that the latent factors could be used to estimate aspect ratings. Finally, the overall rating is computed via a linear combination of the aspect ratings, which are weighted by the corresponding aspect importance. To this end, our model could alleviate the data sparsity problem and gain good interpretability for recommendation. Besides, an aspect rating is weighted by an aspect importance, which is dependent on the targeted user's preferences and targeted item's features. Therefore, it is expected that the proposed method can model a user's preferences on an item more accurately for each user-item pair locally. Comprehensive experimental studies have been conducted on 19 datasets from Amazon and Yelp 2017 Challenge dataset. Results show that our method achieves significant improvement compared with strong baseline methods, especially for users with only few ratings. Moreover, our model could interpret the recommendation results in depth.

연구 동기 및 목표

• 다양한 측면에 걸쳐 사용자 선호도와 아이템 특성을 모델링하기 위해 리뷰 텍스트를 활용한다.
• 각 사용자-아이템 쌍에 대한 측면 중요도를 학습하여 로컬 평점 예측을 개선한다.
• 가중치 행렬을 통해 잠재 요인을 측면과 연결시켜 측면 평점을 추정한다.
• 전체 평점을 측면 중요도를 가진 측면 평점의 가중합으로 계산한다.
• 데이터 희소성 처리 개선 및 추천의 해석 가능성 향상.

제안 방법

• 리뷰로부터 사용자 및 아이템의 측면-주제 분포를 추출하기 위해 aspect-aware topic model(ATM)을 도입한다.
• 잠재 요인을 측면으로 매핑하는 가중치 행렬 W를 갖춘 aspect-aware latent factor model(ALFM)을 개발하여 측면-특정 평점을 가능하게 한다.
• Define aspect rating r_{u,i,a} as r_{u,i,a}=s_{u,i,a} * (w_a ⊙ p_u)^T (w_a ⊙ q_i).
• 사용자 및 아이템 사전 분포를 통해 ρ_{u,i,a}를 π_u, λ_u,a, λ_i,a로 계산한다.
• ATM 출력 값을 사용하여 s_{u,i,a}를 1 - JSD(θ_{u,a}, ψ_{i,a})로 추정한다.
• MF 정규화와 L1/L2 패널티를 결합한 목표 함수에 대해 SGD로 평점 예측을 최적화한다.

실험 결과

연구 질문

• RQ1 ALFM이 평점 예측을 위해 평점과 리뷰를 모두 사용하는 최첨단 방법을 능가할 수 있는가?
• RQ2 측면-인식 표현을 도입하면 콜드 스타트 또는 평가가 희소한 사용자/아이템의 예측이 향상되는가?
• RQ3 영향력 있는 측면을 식별하여 모델의 추천에 해석 가능한 설명을 제공할 수 있는가?
• RQ4 주요 하이퍼파라미터(예: 토픽 수 K와 잠재 요인 수 f)가 성능에 어떤 영향을 미치는가?

주요 결과

• ALFM은 19개의 실제 데이터셋인 Amazon과 Yelp에서 강력한 baselines를 크게 능가한다.
• 적은 수의 평점을 가진 사용자에 대해 성능이 향상되어 콜드 스타트 효과를 해결한다.
• 측면-인식 가중치가 로컬 수준에서 사용자-아이템별 적응을 가능하게 하여 평점 예측 정확도를 향상시킨다.
• ATM은 해석 가능한 측면 추출을 제공하고 ALFM과 결합될 때 설명 가능한 추천을 산출한다.