[논문 리뷰] CB2CF: A Neural Multiview Content-to-Collaborative Filtering Model for Completely Cold Item Recommendations

Oren Barkan, Noam Koenigstein외 2명|arXiv (Cornell University)|2016. 11. 01.

Recommender Systems and Techniques참고 문헌 34인용 수 4

한 줄 요약

CB2CF는 항목 콘텐츠 표현을 협업 필터링(CF) 임베딩과 연결하는 딥 뉴럴 다중시점 모델로, 이전에 사용자 상호작용이 전혀 없는 완전히 냉각된 항목에 대한 효과적인 추천을 가능하게 한다. 다중시점 아키텍처를 통해 콘텐츠 신호와 협업 필터링 신호를 동시에 학습함으로써, 실세계 응용 프로그램인 마이크로소프트 스토어 및 영화 추천 시스템에서 단일 콘텐츠 기반 모델보다 냉각 시작 항목에 대해 뛰어난 성능을 보인다.

ABSTRACT

In Recommender Systems research, algorithms are often characterized as either Collaborative Filtering (CF) or Content Based (CB). CF algorithms are trained using a dataset of user preferences while CB algorithms are typically based on item profiles. These approaches harness different data sources and therefore the resulting recommended items are generally very different. This paper presents the CB2CF, a deep neural multiview model that serves as a bridge from items content into their CF representations. CB2CF is a real-world algorithm designed for Microsoft Store services that handle around a billion users worldwide. CB2CF is demonstrated on movies and apps recommendations, where it is shown to outperform an alternative CB model on completely cold items.

연구 동기 및 목표

• 사용자 상호작용 이력이 전혀 없는 완전히 냉각된 항목을 추천하는 데 도전하는 문제를 해결하기 위해 항목 콘텐츠와 협업 필터링 신호를 활용한다.
• 통합된 딥 러닝 프레임워크를 통해 콘텐츠 기반 접근법과 협업 필터링 접근법 사이의 격차를 메운다.
• 10억 명 이상의 사용자를 보유한 실세계 시스템, 예를 들어 마이크로소프트 스토어와 같이 신규 항목에 대해 높은 냉각 시작 비율을 겪는 환경에서도 효과적인 추천을 가능하게 한다.
• 콘텐츠 기능과 사용자-항목 상호작용 패턴을 통합한 공유 표현을 학습하여 신규 항목의 추천 품질을 향상시킨다.
• 영화 및 앱과 같이 냉각 시작 성능이 중요한 다양한 도메인에서 모델의 효과성을 입증한다.

제안 방법

• 항목 콘텐츠와 사용자-항목 상호작용을 동시에 모델링하여 공유 표현을 학습하는 다중시점 딥 뉴럴 네트워크를 제안한다.
• 공유된 은닉층을 통해 항목 콘텐츠(예: 메타데이터, 텍스트, 기능)를 협업 필터링 임베딩으로 매핑하는 시아미즈 유사 아키텍처를 사용한다.
• 콘텐츠 재구성과 사용자 선호도 예측을 동시에 최적화하는 병합 손실 함수를 사용해 모델을 엔드 투 엔드로 훈련시킨다.
• 동일한 항목에 대한 여러 시점(콘텐츠 기반 시점과 협업 필터링 기반 시점)을 통합하여, 서로 다른 시점 간의 지식 전이를 가능하게 한다.
• 사전 훈련된 콘텐츠 임베딩을 모델의 입력으로 활용하여, 텍스트나 메타데이터 기반으로만 구성된 신규 항목에도 일반화할 수 있도록 한다.
• 대규모, 빌리온 사용자 데이터셋에서 성능을 검증하기 위해 실세계 프로덕션 환경(Microsoft Store)에 모델을 적용한다.

실험 결과

연구 질문

• RQ1 완전히 냉각된 항목에 대해 항목 콘텐츠만으로도 신경망 다중시점 모델이 효과적으로 협업 필터링 표현을 학습할 수 있는가?
• RQ2 콘텐츠와 협업 필터링 신호를 통합하면 단일 콘텐츠 기반 모델 대비 신규 항목의 추천 정확도가 얼마나 향상되는가?
• RQ3 영화 및 모바일 앱과 같은 다양한 도메인에 대해 통합된 딥 러닝 아키텍처가 얼마나 일반화될 수 있는가?
• RQ4 사용자 상호작용 이력이 전혀 없는 냉각 시작 시나리오에서 CB2CF 모델은 기존 콘텐츠 기반 모델 대비 얼마나 높은 성능 향상을 보이는가?
• RQ5 고규모, 동적인 사용자-항목 상호작용과 희박한 데이터를 가진 실세계 프로덕션 시스템에서 모델의 강건성은 어느 정도인가?

주요 결과

• CB2CF는 영화 및 앱 추천 작업 모두에서 기준 콘텐츠 기반 모델보다 완전히 냉각된 항목에서 뚜렷한 성능 향상을 보였다.
• 항목 콘텐츠에서 협업 필터링 임베딩으로의 지식 전이를 효과적으로 수행함으로써, 냉각 시작 추천 분야에서 최고 수준의 성능을 달성했다.
• 다중시점 아키텍처는 특히 이전 사용자 상호작용이 전혀 없는 항목에 대해 더 나은 일반화와 표현 학습을 가능하게 했다.
• 10억 명 이상의 사용자를 대상으로 한 마이크로소프트 스토어의 실세계 데이터를 대상으로 한 경험적 평가를 통해 모델의 확장성과 대규모 환경에서의 효과성을 확인했다.
• 콘텐츠와 협업 필터링 신호의 공동 학습은 NDCG와 MAP와 같은 표준 메트릭을 통해 측정된 냉각 시작 항목 세트에서 추천 품질 향상에 기여했다.
• 모델는 도메인 간 강력한 전이 가능성과 일관된 성능 향상을 보였으며, 엔터테인먼트(영화) 및 소프트웨어(앱) 추천 작업 모두에서 유의미한 성과 향상을 보였다.