[논문 리뷰] Attention-based Group Recommendation

Tran Dang Quang Vinh, Tuan-Anh Nguyen Pham외 2명|arXiv (Cornell University)|2018. 04. 12.

Recommender Systems and Techniques참고 문헌 38인용 수 12

한 줄 요약

이 논문은 그룹 내에서 개인 사용자의 선호도를 동적으로 가중하여 추천 정확도를 향상시키기 위해 주의 기반 딥러닝 모델을 제안한다. 개인별 영향력을 주의 메커니즘을 통해 모델링함으로써, 네 개의 데이터셋에서 기준 방법보다 뛰어난 성능을 보이며 주의 메커니즘이 그룹 환경에서 선호도 갈등을 다루는 데 효과적임을 입증한다.

ABSTRACT

Recommender systems are widely used in big information-based companies such as Google, Twitter, LinkedIn, and Netflix. A recommender system deals with the problem of information overload by filtering important information fragments according to users' preferences. However, most traditional recommendation techniques have limitations. In light of the increasing success of deep learning, recent studies have proved the benefits of using deep learning in various recommendation tasks. Recommendation architectures have been utilizing deep learning in order to overcome limitations of traditional recommendation techniques. We propose an extension of deep learning to solve the group recommendation problem. On the one hand, as different individual preferences in a group necessitate preference trade-offs in making group recommendations, it is essential that the recommendation model can discover substitutes among user behaviors. On the other hand, it has been observed that a user as an individual and as a group member behaves differently. To tackle such problems, we propose using an attention mechanism to capture the impact of each user in a group. Specifically, our model automatically learns the influence weight of each user in a group and recommends items to the group based on its members' weighted preferences. We conduct extensive experiments on four datasets. Our model significantly outperforms baseline methods and shows promising results in applying deep learning to the group recommendation problem.

연구 동기 및 목표

• 개인 사용자 선호도가 충돌하고 상호 보완이 필요한 그룹 추천에서 선호도 집계의 과제를 해결하기 위해.
• 그룹 내에서 개인 사용자의 영향력이 다름을 고려하여 그룹 행동이 개인 행동과 다름을 모델링하기 위해.
• 전통적인 추천 시스템의 한계를 극복하기 위해 딥러닝을 활용하여 복잡한 사용자-아이템 상호작용을 포착하기 위해.
• 각 구성원의 영향력을 반영하기 위해 사용자별 주의 가중치를 자동으로 학습하는 방법을 개발하기 위해.
• 실제 세계 데이터셋을 사용하여 주의 메커니즘이 그룹 설정에서 추천 성능을 향상시키는 데 효과적인지 입증하기 위해.

제안 방법

• 각 사용자가 그룹 내에서 차지하는 상대적 중요성을 반영하기 위해 주의 메커니즘을 활용해 동적 영향력 가중치를 계산한다.
• 사용자 임베딩과 주의 가중치를 통합하여 개인 선호도를 집계하는 그룹 수준의 표현을 생성한다.
• 딥 네ural 네트워크를 사용해 사용자와 아이템 간의 비선형 상호작용을 학습하여 복잡한 선호도 패턴을 포착한다.
• 아이템 순위 매기기 또는 평점 예측에서 그룹 추천 정확도를 최적화하는 손실 함수를 사용해 모델을 종합적으로 훈련한다.
• 다중 헤드 주의를 적용해 사용자 행동의 다양한 측면을 포착하고 노이즈가 있거나 일관되지 않은 선호도에 대한 강건성을 향상시킨다.
• 사용자-아이템 상호작용 데이터를 활용해 모델을 훈련하며, 역전파 과정에서 주의 가중치를 학습해 그룹 결론에서의 사용자 영향력을 반영한다.

실험 결과

연구 질문

• RQ1 주의 메커니즘이 그룹 내에서 개인 사용자의 영향력 변화를 효과적으로 모델링할 수 있는가?
• RQ2 제안된 주의 기반 모델은 전통적인 그룹 추천 방법에 비해 얼마나 더 높은 추천 정확도를 달성하는가?
• RQ3 명시적인 사용자 가중치 없이도 모델이 그룹 구성원 간의 미세한 선호도 갈등을 포착할 수 있는가?
• RQ4 다양한 사용자 및 아이템 상호작용 패턴을 가진 다양한 데이터셋에 대해 모델의 일반화 능력은 어떠한가?
• RQ5 실제 환경에서 주의 가중치가 최종 그룹 추천 품질에 어떤 영향을 미치는가?

주요 결과

• 제안된 주의 기반 모델은 평가된 네 개의 데이터셋에서 모두 기준 추천 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 주의 메커니즘이 개인 사용자에 대해 의미 있는 영향력 가중치를 성공적으로 학습하여 실제 그룹 선호도 기여도를 반영했다.
• 동적 가중치를 통해 그룹 구성원 간의 선호도 갈등을 효과적으로 다루면서 추천 정확도가 향상되었다.
• 딥러닝과 주의 메커니즘을 결합함으로써 기존 협업 필터링에 비해 그룹 환경에서의 사용자 행동을 더 잘 표현할 수 있었다.
• 다양한 유형의 그룹 추천 작업에서 일관된 성능 향상이 나타나 강력한 일반화 능력을 보였다.
• 주의 메커니즘이 해석 가능한 사용자 영향력 점수를 제공하여 그룹 결론 도출의 역동성을 이해하는 데 기여했다.