[논문 리뷰] Challenging the Long Tail Recommendation

Hongzhi Yin, Bin Cui외 3명|arXiv (Cornell University)|2012. 05. 30.

Recommender Systems and Techniques참고 문헌 21인용 수 10

한 줄 요약

이 논문은 히팅 타임, 흡수 타임, 엔트로피-편향 흡수 비용을 활용하여 장꼬리 항목 추천을 향상시키는 그래프 기반 추천 프레임워크를 제안한다. 사용자-항목 상호작용을 간선 가중치가 부여된 그래프로 모델링함으로써, 높은 사용자 관련성을 가진 담론적 항목을 효과적으로 식별하며, Douban 및 Movielens와 같은 실세계 데이터셋에서 정확도, 다양성, 신선도 측면에서 최신 기술을 능가한다.

ABSTRACT

The success of "infinite-inventory" retailers such as Amazon.com and Netflix has been largely attributed to a "long tail" phenomenon. Although the majority of their inventory is not in high demand, these niche products, unavailable at limited-inventory competitors, generate a significant fraction of total revenue in aggregate. In addition, tail product availability can boost head sales by offering consumers the convenience of "one-stop shopping" for both their mainstream and niche tastes. However, most of existing recommender systems, especially collaborative filter based methods, can not recommend tail products due to the data sparsity issue. It has been widely acknowledged that to recommend popular products is easier yet more trivial while to recommend long tail products adds more novelty yet it is also a more challenging task. In this paper, we propose a novel suite of graph-based algorithms for the long tail recommendation. We first represent user-item information with undirected edge-weighted graph and investigate the theoretical foundation of applying Hitting Time algorithm for long tail item recommendation. To improve recommendation diversity and accuracy, we extend Hitting Time and propose efficient Absorbing Time algorithm to help users find their favorite long tail items. Finally, we refine the Absorbing Time algorithm and propose two entropy-biased Absorbing Cost algorithms to distinguish the variation on different user-item rating pairs, which further enhances the effectiveness of long tail recommendation. Empirical experiments on two real life datasets show that our proposed algorithms are effective to recommend long tail items and outperform state-of-the-art recommendation techniques.

연구 동기 및 목표

• 데이터 희소성으로 인해 일반적으로 간과되는 장꼬리 항목을 추천하는 데 도전하는 것.
• 사용자-항목 상호작용을 무방향, 간선 가중치가 부여된 그래프로 모델링하여 추천의 다양성과 정확도를 향상시키는 것.
• 사용자 선호도와 강한 일치를 유지하면서도 담론적 항목을 우선시하는 알고리즘을 개발하는 것.
• 실증 실험과 사용자 연구를 통해 제안된 방법의 효과성을 추천 품질, 신선도, 뜻밖의 발견 가능성 측면에서 평가하는 것.

제안 방법

• 사용자-항목 상호작용을 무방향, 간선 가중치가 부여된 그래프로 표현하여 사용자 선호도와 항목 간 관계를 모델링하는 것.
• 히팅 타임 알고리즘을 사용자 선호 경로를 통해 도달 가능한 장꼬리 항목을 식별하기 위한 이론적 기초로 적용하는 것.
• 기대 도달 시간을 측정하여 추천의 다양성과 정확도를 향상시키기 위해 흡수 타임 알고리즘을 도입하는 것.
• 엔트로피-편향 흡수 비용을 통해 평점 쌍의 변동성을 구분하고 추천 정밀도를 향상시키기 위해 흡수 타임 알고리즘을 개선하는 것.
• 전체 그래프 스캔을 피하기 위해 계산 비용을 줄이기 위해 부분 그래프 탐색 전략을 활용하는 것.
• 실세계 데이터셋(Douban 및 Movielens)을 사용하여 접근법을 검증하고, LDA, PureSVD, DPPR와의 비교를 수행하는 것.

실험 결과

연구 질문

• RQ1 히팅 타임과 흡수 타임과 같은 그래프 기반 방법이 데이터 희소성에도 불구하고 장꼬리 항목을 효과적으로 추천할 수 있는가?
• RQ2 흡수 타임 알고리즘이 기존 협업 필터링 대비 추천의 다양성과 정확도를 어떻게 향상시키는가?
• RQ3 흡수 비용에 엔트로피 편향을 적용할 경우 사용자-항목 평점 쌍의 구분 능력은 어느 정도 향상되는가?
• RQ4 LDA 및 PureSVD와 같은 최신 기술 대비 제안된 알고리즘의 성능과 효율성은 어떻게 비교되는가?
• RQ5 실세계에서 장꼬리 추천은 사용자 만족도, 신선도, 뜻밖의 발견 가능성 측면에서 어떤 영향을 미치는가?

주요 결과

• AC2 알고리즘은 LDA 및 PureSVD와 유사한 효율성을 보이며, Douban 데이터셋에서 실행 시간이 0.52초로, 그래프 기반 DPPR 알고리즘을 능가한다.
• 사용자 연구 결과 AC2는 평균 총점 4.41을 기록하여 DPPR(3.65)보다 유의미하게 높게 나타나 사용자 선호도와의 일치도가 뛰어나다는 것을 보여준다.
• AC2는 0.98의 신선도 점수를 기록하여 추천된 항목의 98%가 사용자에게 이전에 알려지지 않은 것으로 나타나 강력한 뜻밖의 발견 가능성과 장꼬리 중심 추천 성능을 입증한다.
• LDA 및 PureSVD와 비교할 때 AC2는 훨씬 더 많은 장꼬리 항목을 추천하며, 각각 6.4% 및 6.6%의 추천 항목만 이전에 알려진 것으로 나타난다.
• 엔트로피 편향이 가미된 흡수 비용은 평점 쌍의 변동성을 더 잘 구분함으로써 담론적 항목 탐색의 정밀도를 향상시켜 추천 품질을 향상시킨다.
• 제안된 방법은 특히 저인기도이지만 높은 관련성을 지닌 항목을 식별하는 데 있어 최신 기술을 능가하며 추천 정확도와 다양성 측면에서 모두 뛰어난 성능을 보인다.