[논문 리뷰] Clustering-Based Matrix Factorization

Nima Mirbakhsh, Charles X. Ling|arXiv (Cornell University)|2013. 01. 28.

Recommender Systems and Techniques참고 문헌 13인용 수 5

한 줄 요약

이 논문은 사용자 및 아이템의 군집화를 통해 일반적인 이웃 정보를 통합함으로써 추천 정확도를 향상시키는 군집 기반 행렬 분해 방법을 제안한다. 공유된 선호도를 편향 행렬 분해 모델에 융합함으로써, Movielens100k 및 Netflix 데이터셋에서 기존의 이웃 인식 모델보다 적은 이웃 수로도 우수하거나 유사한 성능을 달성한다.

ABSTRACT

Recommender systems are emerging technologies that nowadays can be found in many applications such as Amazon, Netflix, and so on. These systems help users to find relevant information, recommendations, and their preferred items. Slightly improvement of the accuracy of these recommenders can highly affect the quality of recommendations. Matrix Factorization is a popular method in Recommendation Systems showing promising results in accuracy and complexity. In this paper we propose an extension of matrix factorization which adds general neighborhood information on the recommendation model. Users and items are clustered into different categories to see how these categories share preferences. We then employ these shared interests of categories in a fusion by Biased Matrix Factorization to achieve more accurate recommendations. This is a complement for the current neighborhood aware matrix factorization models which rely on using direct neighborhood information of users and items. The proposed model is tested on two well-known recommendation system datasets: Movielens100k and Netflix. Our experiment shows applying the general latent features of categories into factorized recommender models improves the accuracy of recommendations. The current neighborhood-aware models need a great number of neighbors to acheive good accuracies. To the best of our knowledge, the proposed model is better than or comparable with the current neighborhood-aware models when they consider fewer number of neighbors.

연구 동기 및 목표

• 이웃 정보를 통합함으로써 행렬 분해 기반 추천 시스템의 추천 정확도를 향상시키는 것.
• 군집을 통해 잠재된 선호도를 포착하여 기존의 이웃 인식 모델에서 큰 이웃 집합에 의존하는 것을 줄이는 것.
• 군집 수준의 잠재 특징을 편향 행렬 분해에 통합하여 더 견고한 추천을 제공하는 것.
• 제안된 모델을 실세계 데이터셋에 적용하고 최신의 이웃 인식 방법들과의 성능을 비교하는 것.

제안 방법

• 사용자 및 아이템을 카테고리로 군집화하여 그룹 간 공유된 선호도 패턴을 식별한다.
• 군집 수준의 선호도를 나타내는 잠재 특징을 추출하고, 이를 편향 행렬 분해 프레임워크에 융합한다.
• 직접적인 사용자-아이템 이웃 관계에만 의존하는 것 대신, 일반적인 이웃 정보를 활용한다.
• 편향 행렬 분해를 개선하여 군집 기반 잠재 특징을 통합함으로써 예측 정확도를 향상시킨다.
• Movielens100k 및 Netflix 데이터셋에서 표준 추천 메트릭을 사용하여 모델을 훈련하고 평가한다.

실험 결과

연구 질문

• RQ1 군집화를 통해 일반적인 이웃 정보를 통합하면 행렬 분해 모델의 추천 정확도가 향상되는가?
• RQ2 기존의 이웃 인식 모델과 비교해 볼 때, 제안된 모델은 더 적은 수의 이웃으로 어떻게 성능을 내는가?
• RQ3 군집 수준의 잠재 특징은 편향 행렬 분해의 예측 성능을 어느 정도 향상시키는가?

주요 결과

• 제안된 모델은 기존의 최신 이웃 인식 모델과 비교해도 더 적은 이웃 수로도 높거나 유사한 추천 정확도를 달성한다.
• 군집 수준의 공유된 선호도를 통합함으로써 추천 모델의 견고성과 일반화 능력이 향상된다.
• 이 방법은 기존의 이웃 인식 접근 방식에서의 큰 이웃 집합 의존도를 줄인다.
• Movielens100k 및 Netflix에서의 실증적 평가를 통해 군집에서 유도된 일반적인 잠재 특징을 행렬 분해에 통합하는 것이 효과적임을 확인했다.