[논문 리뷰] Collaborative Filtering with Social Exposure: A Modular Approach to Social Recommendation

Menghan Wang, Xiaolin Zheng외 2명|arXiv (Cornell University)|2017. 11. 30.

Recommender Systems and Techniques인용 수 27

한 줄 요약

이 논문은 기존의 공유된 선호도를 가정하는 대신 사회적 네트워크를 통해 사용자가 아이템에 노출되는 방식을 모델링하는 새로운 모듈식 접근법인 SERec를 제안한다. 사회적 정규화와 사회적 강화를 통해 노출를 추정함으로써 SERec는 협업 필터링 성능을 햖थ하며, 네 개의 실세계 데이터셋에서 최신 기술을 초월하며 다양한 환경에서 더 뛰어난 강건성과 확장성을 보인다.

ABSTRACT

This paper is concerned with how to make efficient use of social information to improve recommendations. Most existing social recommender systems assume people share similar preferences with their social friends. Which, however, may not hold true due to various motivations of making online friends and dynamics of online social networks. Inspired by recent causal process based recommendations that first model user exposures towards items and then use these exposures to guide rating prediction, we utilize social information to capture user exposures rather than user preferences. We assume that people get information of products from their online friends and they do not have to share similar preferences, which is less restrictive and seems closer to reality. Under this new assumption, in this paper, we present a novel recommendation approach (named SERec) to integrate social exposure into collaborative filtering. We propose two methods to implement SERec, namely social regularization and social boosting, each with different ways to construct social exposures. Experiments on four real-world datasets demonstrate that our methods outperform the state-of-the-art methods on top-N recommendations. Further study compares the robustness and scalability of the two proposed methods.

연구 동기 및 목표

• 온라인 친구 관계의 다양한 동기를 고려할 때, 기존 사회적 추천 시스템이 친구 간 선호도가 유사하다는 가정이 성립하지 않을 수 있는 한계를 해결하기 위해.
• 사용자의 아이템에 대한 노출을 사회적 네트워크의 영향을 받는 별개의 단계로 모델링하여, 선호도 모델링과 노출 모델링을 분리함으로써 더 현실적인 추천을 가능하게 하기 위해.
• 평가 모델에 제약을 두지 않고 협업 필터링에 사회적 노출를 통합할 수 있는 모듈식 프레임워크를 개발하기 위해.
• 사회적 정규화와 사회적 강화의 두 구현 방식이 효과성, 강건성, 확장성 측면에서 어떻게 비교되는지 평가하기 위해.
• 선호도 유사성보다 사회적 노출이 추천 정확도 향상에 더 신뢰할 수 있는 신호임을 입증하기 위해.

제안 방법

• SERec는 사회적 네트워크 정보를 사용하여 사용자의 아이템에 대한 노출를 모델링하며, 사회적 영향력을 선호도가 아닌 노출의 원동력으로 간주한다.
• 사회적 정규화는 사회적 정규화 항을 포함한 행렬 분해를 사용하여 사용자와 그 친구들 간의 노출 유사도를 제약한다.
• 사회적 강화는 사회적 링크를 기반으로 노출를 계산하는 일반 함수를 활용하여 고급 사회적 네트워크 분석 기법의 탄력적 통합을 가능하게 한다.
• 노출 모델링과 평가 예측을 분리함으로써 모듈식 설계와 독립적 최적화를 가능하게 한다.
• 노출 추정치를 활용해 협업 필터링을 안내함으로써, 추천이 어려운 사용자 및 희소한 사용자에 대한 평가 예측 성능을 향상시킨다.
• 두 방법 모두 EM 유사 반복 절차를 사용하여 훈련되며, 확장성을 위해 병렬 처리를 지원한다.

실험 결과

연구 질문

• RQ1 선호도 유사성 대신 사회적 노출을 모델링할 경우 더 나은 추천 성능을 얻을 수 있는가?
• RQ2 사회적 정규화와 사회적 강화의 두 구현 방식은 정확도, 강건성, 확장성 측면에서 어떻게 비교되는가?
• RQ3 사회적 정보가 사용자의 노출에 얼마나 큰 영향을 미치며, 이는 평가 예측에 어떤 영향을 미치는가?
• RQ4 노출 모델링과 평가 예측을 분리하는 모듈식 접근 방식이 더 높은 성능과 유연성을 달성할 수 있는가?
• RQ5 다양한 희소성과 사회적 네트워크 구조를 가진 실세계 데이터셋에서 이 프레임워크는 어떻게 성능을 발휘하는가?

주요 결과

• SERec는 Last.fm, Delicious, Douban, Epinions의 네 개의 벤치마크 데이터셋에서 모두 최신 기술(SOTA) 사회적 추천 방법을 능가한다.
• SERec의 사회적 강화 변종은 사회적 네트워크 크기와 구조의 변동에 더 강건하며, 다양한 데이터셋에서 일관된 성능을 보였다.
• SERec regular은 더 높은 계산 효율성과 낮은 메모리 오버헤드를 가지며, 테스트된 데이터셋에서 훈련 시간이 66~2,339초였다.
• SERec boost는 모든 사용자-아이템 쌍의 노출 추정치를 저장해야 하므로 공간 복잡도가 더 높지만, 복잡한 사회적 영향 모델로의 확장이 더 용이하다.
• 실험 결과 사회적 정보가 사용자 노출에 상당한 영향을 미친다는 것이 확인되었으며, 이는 노출 기반 모델링 접근의 핵심 가정을 뒷받침한다.
• 모듈식 설계 덕분에 사회적 전염 및 구조적 영향과 같은 고급 사회적 네트워크 분석 기법들이 추천 파이프라인에 더 잘 통합될 수 있었다.