[논문 리뷰] Beyond Personalization: Social Content Recommendation for Creator Equality and Consumer Satisfaction

Wenyi Xiao, Huan Zhao외 4명|arXiv (Cornell University)|2019. 05. 28.

Recommender Systems and Techniques참고 문헌 29인용 수 9

한 줄 요약

이 논문은 스티밋(Steemit)과 같은 탈중앙화된 플랫폼에서 콘텐츠 창작자의 노력을 공정하게 반영하고 소비자 만족도를 높이기 위해 몬테카를로 트리 서치(Monte Carlo Tree Search) 기반의 탐색 메커니즘을 활용해 고차수 사회적 관계를 활용하는 Social Explorative Attention Network(SEAN)을 제안한다. SEAN은 기존 최고 수준의 기준 모델들과 비교해 F1 점수(43.12)와 지니 계수(Gini coefficient, 0.27) 모두에서 뛰어난 성능을 기록하며, 개인화된 추천과 창작자 간 노출의 공정성 사이의 균형을 잘 유지한다.

ABSTRACT

An effective content recommendation in modern social media platforms should benefit both creators to bring genuine benefits to them and consumers to help them get really interesting content. In this paper, we propose a model called Social Explorative Attention Network (SEAN) for content recommendation. SEAN uses a personalized content recommendation model to encourage personal interests driven recommendation. Moreover, SEAN allows the personalization factors to attend to users' higher-order friends on the social network to improve the accuracy and diversity of recommendation results. Constructing two datasets from a popular decentralized content distribution platform, Steemit, we compare SEAN with state-of-the-art CF and content based recommendation approaches. Experimental results demonstrate the effectiveness of SEAN in terms of both Gini coefficients for recommendation equality and F1 scores for recommendation performance.

연구 동기 및 목표

• 소셜 미디어 플랫폼에서 신규 또는 소규모 창작자가 '메이틀리 효과(Matthew Effect)'로 인해 노출에 불리한 점을 해결하기 위해 콘텐츠 노출의 불균형 문제를 다루는 것.
• 소비자 만족도를 향상시키고 창작자 노출의 공정성을 증진하는 추천 시스템을 설계하는 것.
• 사용자 관심사를 우선시하면서 창작자 다양성에 해를 끼치는 전통적인 개인화 추천 모델을 넘어서는 것.
• 1단계 친구를 넘어서 사회적 네트워크의 구조를 활용해 추천 다양성과 공정성을 향상시키는 것.
• 스티밋(Steemit)에서 수집한 실세계 데이터를 바탕으로 추천 성능(F1)과 창작자 공정성(Gini 계수) 간의 상호 트레이드오프를 평가하는 것.

제안 방법

• SEAN은 사회적 주의(multi-hop friends)를 고려한 개인화된 콘텐츠 추천 모델을 사용한다.
• 탐색(less popular users)과 이용(신뢰할 수 있는 친구)의 균형을 이루기 위해 몬테카를로 트리 서치(Monte Carlo Tree Search, MCTS) 프레임워크를 활용한다.
• 탐색과 이용의 균형을 제어하기 위해 무거운 상수 λ를 사용하는 빔 서치 기반 메커니즘을 도입한다.
• 사회적 주의 메커니즘은 개인화 요소가 고차수 친구들에게 주의를 기울일 수 있도록 하여 추천의 다양성과 정확도를 향상시킨다.
• 검색 깊이 L과 빔 폭 B와 같은 하이퍼파라미터는 성능 최적화와 확장성 향상을 위해 조정된다.
• 프레임워크는 탈중앙화된 콘텐츠 플랫폼인 스티밋(Steemit)에서 수집한 두 개의 실세계 데이터셋을 기반으로 훈련 및 평가된다.

실험 결과

연구 질문

• RQ1 추천 모델이 소비자 만족도와 창작자 공정성을 동시에 향상시킬 수 있는가?
• RQ2 고차수 사회적 관계를 활용할 경우 추천의 공정성과 성능에 어떤 영향을 미치는가?
• RQ3 사회적 콘텐츠 추천에서 탐색(다양성)과 이용(정확도) 사이의 최적의 트레이드오프는 무엇인가?
• RQ4 SEAN은 F1 점수와 지니 계수 측면에서 최고 수준의 협업 필터링(CF) 및 콘텐츠 기반 모델과 비교해 어떻게 성능을 내는가?
• RQ5 MCTS 기반의 탐색 메커니즘이 콘텐츠 추천에서 메이틀리 효과를 얼마나 줄이는가?

주요 결과

• SEAN은 F1 점수 43.12를 기록하여 최고 수준의 NCF 모델(F1=42.14)과 DKN 모델(F1=42.85)을 능가한다.
• SEAN은 지니 계수를 0.27로 낮혀 NCF(Gini=0.35)와 DKN(Gini=0.32)에 비해 콘텐츠 창작자 노출의 공정성이 크게 향상됨을 나타낸다.
• 최적의 트레이드오프 상수 λ는 1로 확인되었으며, 이는 모든 평가 방법에서 탐색과 이용을 효과적으로 균형 잡는 데 기여한다.
• 빔 폭 B=4가 최고의 성능을 내며, 이는 중간 정도의 탐색 깊이가 추천 품질 향상에 기여함을 시사한다.
• SEAN의 훈련 시간은 검색 깊이 L과 빔 폭 B에 대해 선형적으로 증가하여 양호한 확장성을 보여준다.
• 모델의 성능는 다양한 하이퍼파라미터 설정에서도 뛰어난 안정성을 보이며, 지니 계수에 미미한 영향을 미치고 F1 점수는 일관되게 향상된다.