[논문 리뷰] Collaborative Filtering by Personality Diagnosis: A Hybrid Memory- and Model-Based Approach

David M. Pennock, Eric Horvitz외 2명|arXiv (Cornell University)|2013. 01. 16.

Recommender Systems and Techniques참고 문헌 22인용 수 506

한 줄 요약

이 논문은 선호도 유사성 기반으로 사용자를 확률적 '성격 유형'으로 모델링함으로써 추천 정확도를 향상시키기 위해 메모리 기반 및 모델 기반 기법을 융합한 하이브리드 협업 필터링 방법인 성격 진단(PD)을 소개한다. 이 방법은 베이지안 추론을 사용하여 해석 가능하고 확률적인 신뢰도를 갖춘 사용자 선호도를 예측하며, EachMovie 및 CiteSeer 데이터셋에서 전통적인 CF 방법을 능가한다. 또한 증분 업데이트와 정보가치 분석을 지원한다.

ABSTRACT

The growth of Internet commerce has stimulated the use of collaborative filtering (CF) algorithms as recommender systems. Such systems leverage knowledge about the known preferences of multiple users to recommend items of interest to other users. CF methods have been harnessed to make recommendations about such items as web pages, movies, books, and toys. Researchers have proposed and evaluated many approaches for generating recommendations. We describe and evaluate a new method called emph{personality diagnosis (PD)}. Given a user's preferences for some items, we compute the probability that he or she is of the same "personality type" as other users, and, in turn, the probability that he or she will like new items. PD retains some of the advantages of traditional similarity-weighting techniques in that all data is brought to bear on each prediction and new data can be added easily and incrementally. Additionally, PD has a meaningful probabilistic interpretation, which may be leveraged to justify, explain, and augment results. We report empirical results on the EachMovie database of movie ratings, and on user profile data collected from the CiteSeer digital library of Computer Science research papers. The probabilistic framework naturally supports a variety of descriptive measurements - in particular, we consider the applicability of a value of information (VOI) computation.

연구 동기 및 목표

• 기존 협업 필터링의 한계를 해결하기 위해 사용자 선호도를 '성격 유형'을 통해 모델링하는 확률적 프레임워크를 도입하기 위해.
• 메모리 기반 및 모델 기반 CF 방법의 장점을 융합하여 보다 우수한 확장성과 해석 가능성 확보를 위해.
• 원칙적인 확률적 해석을 통해 증분 학습과 설명 가능성 확보를 위해.
• EachMovie 및 CiteSeer를 포함한 실제 데이터셋에서의 평가를 통해 정밀도와 성능을 확보하기 위해.
• 결정 지원을 위한 정보가치(VOI) 계산 통합을 탐색하기 위해.

제안 방법

• 사용자가 다른 사용자들과 같은 성격 유형에 속할 가능성을 그들의 항목 선호 패턴을 바탕으로 사후 확률로 계산한다.
• 사용자의 성격 유형과 유사 사용자의 선호도를 고려해, 새로운 항목을 좋아할 가능성의 가능성도를 베이지안 추론을 통해 추정한다.
• 새로운 사용자-항목 상호작용이 관찰될 때마다 성격 유형 확률을 동적으로 조정함으로써 증분 업데이트를 지원한다.
• 기존 사용자 선호도를 기반으로 한 메모리 기반 유사도와 모델 기반 파rameter 추정을 융합하여 일반화 능력을 향상시킨다.
• 추가 선호도 데이터 수집의 기대 효용을 평가하기 위해 정보가치(VOI) 계산을 통합한다.
• 사용자 유형, 항목 선호도, 관측된 평점 간의 종속성을 포괄하는 확률적 그래픽 모델을 사용해 프레임워크를 구현한다.

실험 결과

연구 질문

• RQ1 기존 협업 필터링과 비교해 확률적 사용자 유형 모델이 추천 정확도를 향상시킬 수 있는가?
• RQ2 메모리 기반 및 모델 기반 구성 요소를 융합함으로써 확장성과 예측 성능가 향상되는가?
• RQ3 성격 진단이 추천 시스템에서 증분 학습과 실시간 업데이트를 얼마나 잘 지원할 수 있는가?
• RQ4 프레임워크가 자연스럽게 정보가치 분석을 통합하여 데이터 수집을 안내할 수 있는가?
• RQ5 성격 진단 모델이 영화 평점과 학술 논문 선호도와 같은 다양한 도메인에서 얼마나 잘 일반화되는가?

주요 결과

• 성격 진단 방법은 EachMovie 데이터셋에서 기준 메모리 기반 및 모델 기반 협업 필터링 방법보다 높은 예측 정확도를 달성했다.
• 하이브리드 모델은 사용자 유사도와 통계적 모델링을 융합함으로써 더 높은 강건성과 확장성을 보였다.
• 확률적 해석 덕분에 추천의 의미 있는 설명이 가능해져 사용자 신뢰도와 시스템 투명도가 향상되었다.
• 정보가치 계산 통합으로 예측 불확실성이 높은 항목에 대해 데이터 수집 우선순위를 정할 수 있었다.
• CiteSeer 데이터셋에서의 실증 결과는 희소한 사용자 프로파일을 가진 학술 추천 과제에서 방법의 효과성을 확인했다.
• 이 방법은 증분 학습을 지원하여 전체 재학습 없이도 새로운 사용자 데이터를 통합할 수 있었다.