[논문 리뷰] Attributes Coupling based Item Enhanced Matrix Factorization Technique for Recommender Systems

Yonghong Yu, Can Wang외 1명|arXiv (Cornell University)|2014. 05. 05.

Recommender Systems and Techniques참고 문헌 22인용 수 6

한 줄 요약

이 논문은 항목 속성 정보를 결합 대상 유사도(COS) 측정을 통해 행렬 분해에 통합함으로써 추천 정확도를 햖스하고 냉시작 항목 문제를 해결하는 속성 결합 기반 항목 강화 행렬 분해(AC-IE-MF) 방법을 제안한다. 속성 기반 유사도를 사용하여 잠재 항목 벡터를 정규화함으로써, 특히 풍부한 항목 속성이 존재할 경우 최신 기술 대비 우수한 성능을 발휘한다.

ABSTRACT

Recommender system has attracted lots of attentions since it helps users alleviate the information overload problem. Matrix factorization technique is one of the most widely employed collaborative filtering techniques in the research of recommender systems due to its effectiveness and efficiency in dealing with very large user-item rating matrices. Recently, based on the intuition that additional information provides useful insights for matrix factorization techniques, several recommendation algorithms have utilized additional information to improve the performance of matrix factorization methods. However, the majority focus on dealing with the cold start user problem and ignore the cold start item problem. In addition, there are few suitable similarity measures for these content enhanced matrix factorization approaches to compute the similarity between categorical items. In this paper, we propose attributes coupling based item enhanced matrix factorization method by incorporating item attribute information into matrix factorization technique as well as adapting the coupled object similarity to capture the relationship between items. Item attribute information is formed as an item relationship regularization term to regularize the process of matrix factorization. Specifically, the similarity between items is measured by the Coupled Object Similarity considering coupling between items. Experimental results on two real data sets show that our proposed method outperforms state-of-the-art recommendation algorithms and can effectively cope with the cold start item problem when more item attribute information is available.

연구 동기 및 목표

• 협업 필터링에서 냉시작 항목 문제를 항목 속성 정보를 활용하여 해결하기 위해.
• 기존 방법보다 더 정확한 범주형 항목 간의 유사도 측정 방법을 개발하기 위해.
• 항목 속성 간 관계를 정규화 항목으로 통합함으로써 행렬 분해 성능을 향상시키기 위해.
• 제안된 방법의 실세계 추천 시스템 데이터셋에서의 효과성을 평가하기 위해.
• 대규모 추천 시스템에서 결합 대상 유사도 측정의 확장성 및 효율성 탐색하기 위해.

제안 방법

• 행렬 분해에서 잠재 항목 특징 벡터를 제약하기 위해 항목 속성 간 관계 기반의 새로운 정규화 항목을 도입한다.
• 범주형 항목 간 진정된 관계를 모델링하는 속성 결합을 통해 항목 간 유사도를 측정하는 결합 대상 유사도(COS) 측정을 활용한다.
• COS 측정은 공유된 속성을 기반으로 항목 간 유사도를 계산하며, 시간 복잡도는 D²ρ³이다. 여기서 D는 속성 수이고, ρ는 항목당 평균 속성 수이다.
• 사용자-항목 평점 예측 오차 손실과 속성 기반 정규화 항목을 조합하여 사용자 및 항목 잠재 요인을 동시에 최적화한다.
• 예측 오차를 최소화하고 잠재 공간 내 속성 기반 유사도를 유지하기 위해 확률적 경사 하강법을 사용해 모델을 훈련한다.
• 모델은 MovieLens100K 및 HetRec2011 데이터셋에서 평가되었으며, 성능 최적화를 위해 각 데이터셋 별로 이웃 수를 튜닝하였다.

실험 결과

연구 질문

• RQ1 항목 속성 정보를 통합함으로써 행렬 분해 기반 추천 시스템의 성능을 향상시킬 수 있는가?
• RQ2 제안된 결합 대상 유사도(COS) 측정이 기존의 SMS와 비교해 항목 간 관계를 더 잘 포착하는가?
• RQ3 항목 속성이 가용할 경우 제안된 방법이 냉시작 항목 문제를 어느 정도 완화할 수 있는가?
• RQ4 더 풍부한 항목 속성 정보가 제안된 방법의 추천 정확도에 어떤 영향을 미치는가?
• RQ5 이웃 수가 다양한 데이터셋에서 제안된 방법의 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 AC-IE-MF 방법은 MAE 측정 기준으로 MovieLens100K 및 HetRec2011 데이터셋 모두에서 RSVD, NMF, PMF, CBMF와 같은 최신 기술 대비 뛰어난 성능을 보였다.
• COS 측정은 항목 간 관계를 속성 결합을 통해 더 잘 포착할 수 있기 때문에, CIMF에서 사용된 SMS보다 추천 정확도를 크게 향상시켰다.
• 새로운 항목의 잠재 특징 벡터를 유사한 속성을 가진 이웃을 활용해 추론함으로써 냉시작 항목 문제를 효과적으로 완화하였다.
• HetRec2011에서는 항목 수가 많고 속성 정보가 더 풍부하기 때문에 최적의 이웃 수가 약 200으로, MovieLens100K보다 더 높았다.
• 항목 속성 정보가 제한적일 경우 성능이 저하됨을 확인하여, 추천 품질이 속성 데이터의 풍부성에 매우 의존함을 시사한다.
• COS 계산의 시간 복잡도는 O(D²ρ³)로 계산적으로 비용이 많이 들며, 향후 작업에서 병렬 처리나 근사 기법을 통한 최적화가 필요함을 시사한다.