[논문 리뷰] Challenging Personalized Video Recommendation

Xingzhong Du, Hongzhi Yin|arXiv (Cornell University)|2016. 12. 21.

Recommender Systems and Techniques인용 수 1

한 줄 요약

이 논문은 사용자-비디오 상호작용과 임의의 단일 콘텐츠 특징(예: 텍스트, 오디오, 동작)을 통합하여 비디오 추천 성능을 향상시키는 일반적인 프레임워크인 협업 임bedding 회귀(CER) 모델을 제안한다. 특히 특정 콘텐츠 특징이 누락된 경우에도 성능 저하를 최소화한다. CER는 두 개의 대규모 데이터셋에서 기존 모델들을 능가하며, 행렬 내 및 행렬 외 상황 모두에서 효율적이고 견고한 추천을 가능하게 한다.

ABSTRACT

Video recommendation has become an essential way of helping people explore the massive videos and discover the ones that may be of interest to them. In the existing video recommender systems, the models make the recommendations based on the user-video interactions and single specific content features. When the specific content features are unavailable, the performance of the existing models will seriously deteriorate. Inspired by the fact that rich contents (e.g., text, audio, motion, and so on) exist in videos, in this paper, we explore how to use these rich contents to overcome the limitations caused by the unavailability of the specific ones. Specifically, we propose a novel general framework that incorporates arbitrary single content feature with user-video interactions, named as collaborative embedding regression (CER) model, to make effective video recommendation in both in-matrix and out-of-matrix scenarios. Our extensive experiments on two real-world large-scale datasets show that CER beats the existing recommender models with any single content feature and is more time efficient. In addition, we propose a priority-based late fusion (PRI) method to gain the benefit brought by the integrating the multiple content features. The corresponding experiment shows that PRI brings real performance improvement to the baseline and outperforms the existing fusion methods.

연구 동기 및 목표

• 특정 콘텐츠 특징(예: 텍스트, 오디오)이 가용하지 않을 경우 비디오 추천 시스템의 성능 저하를 해결하기 위해.
• 사용자-비디오 상호작용 모델링에 어떤 단일 콘텐츠 특징이든 통합할 수 있는 일반화 가능한 프레임워크를 개발하기 위해.
• 콘텐츠 특징이 누락되거나 불완전한 실세계 환경에서 추천의 견고성과 효율성을 향상시키기 위해.
• 다양한 콘텐츠 특징을 효과적으로 융합하여 추천 성능을 추가로 향상시키는 전략을 탐색하기 위해.

제안 방법

• 사용자 및 비디오 임베딩을 함께 학습하는 협업 임베딩 회귀(CER) 모델을 제안하며, 상호작용 데이터와 단일 콘텐츠 특징을 사용하여 사용자 선호도를 회귀함으로써 이를 구현한다.
• 어떤 단일 콘텐츠 특징(예: 텍스트, 오디오, 동작)이든 추천 과정에 원활하게 통합할 수 있는 일반적인 프레임워크를 설계한다.
• 예측 중요도에 따라 가중치가 부여되는 우선순위 순위 기반(PRI) 후기 융합 전략을 사용하여 다중 콘텐츠 특징을 통합한다.
• 공동 임베딩 메커니즘을 활용하여 공통된 임베딩 공간에서 사용자-비디오 상호작용을 모델링함으로써 희소하거나 누락된 콘텐츠 특징에 대한 일반화 능력을 향상시킨다.
• 예측된 사용자 선호도를 관찰된 상호작용과 일치시키기 위해 회귀 기반 손실 함수를 적용하여 모델 최적화 및 수렴을 향상시킨다.
• 콘텐츠 인식 정규화를 갖춘 행렬 분해 유사 구조를 사용하여 훈련을 안정화시키고 행렬 외 상황에서의 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 특정 특징 유형에 의존하지 않고도 임의의 단일 콘텐츠 특징을 비디오 추천에 효과적으로 통합할 수 있는 통합 프레임워크가 가능한가?
• RQ2 콘텐츠 특징이 누락되거나 가용하지 않을 경우 제안된 CER 모델은 기존 모델 대비 어떻게 성능을 발휘하는가?
• RQ3 다양한 콘텐츠 특징을 융합할 경우 추천 정확도에 어떤 영향을 미치며, 이를 효과적으로 최적화할 수 있는가?
• RQ4 다중 특징 비디오 추천에서 우선순위 기반 후기 융합 전략이 전통적인 조기 융합 또는 평균 융합 방법보다 우월한가?

주요 결과

• CER는 두 개의 대규모 실세계 데이터셋에서 평가된 모든 단일 콘텐츠 특징에 대해 기존 추천 모델들을 일관되게 능가한다.
• CER는 행렬 내 및 행렬 외 상황 모두에서 뛰어난 성능을 보이며, 누락된 콘텐츠 특징에 대한 견고성을 입증한다.
• 제안된 우선순위 기반 후기 융합(PRI) 방법은 베이스라인을 뛰어넘고 기존 융합 기법을 초월하는 추천 성능 향상을 이룬다.
• CER는 기존 모델들보다 시간 효율성이 뛰어나 대규모 배포에 적합하다.
• PRI를 통한 다중 콘텐츠 특징 통합은 단일 특징 기반 베이스라인 대비 측정 가능한 명확한 성능 향상을 이끌어낸다.
• 협업 기반의 사용자-비디오 상호작용 패tern에 의존하기 때문에 특정 콘텐츠 특징이 제공되지 않더라도 모델은 강력한 일반화 능력을 유지한다.