[논문 리뷰] Collaborative Metric Learning Recommendation System: Application to Theatrical Movie Releases

Miguel Del Campo, J. J. Espinoza외 2명|arXiv (Cornell University)|2018. 03. 01.

Recommender Systems and Techniques참고 문헌 12인용 수 6

한 줄 요약

이 논문은 깊이 있는 거리 학습과 협업 필터링을 결합하여 신규 극장 개봉 영화에 대한 추천 성능을 향상시키는 협업 거리 학습(Collaborative Metric Learning, CML) 프레임워크를 제안한다. 특히 기존 사용자 피드백이 없는 신규 영화에 대해 냉각기 문제를 해결한다. 사용자-제품 유사도를 학습된 거리로 측정하는 공유 임베딩 공간을 학습함으로써, 구매 데이터와 플롯 임베딩만을 사용하여도 기존의 기준 모델 대비 뚜렷한 성능 향상을 달성한다.

ABSTRACT

Product recommendation systems are important for major movie studios during the movie greenlight process and as part of machine learning personalization pipelines. Collaborative Filtering (CF) models have proved to be effective at powering recommender systems for online streaming services with explicit customer feedback data. CF models do not perform well in scenarios in which feedback data is not available, in cold start situations like new product launches, and situations with markedly different customer tiers (e.g., high frequency customers vs. casual customers). Generative natural language models that create useful theme-based representations of an underlying corpus of documents can be used to represent new product descriptions, like new movie plots. When combined with CF, they have shown to increase the performance in cold start situations. Outside of those cases though in which explicit customer feedback is available, recommender engines must rely on binary purchase data, which materially degrades performance. Fortunately, purchase data can be combined with product descriptions to generate meaningful representations of products and customer trajectories in a convenient product space in which proximity represents similarity. Learning to measure the distance between points in this space can be accomplished with a deep neural network that trains on customer histories and on dense vectorizations of product descriptions. We developed a system based on Collaborative (Deep) Metric Learning (CML) to predict the purchase probabilities of new theatrical releases. We trained and evaluated the model using a large dataset of customer histories, and tested the model for a set of movies that were released outside of the training window. Initial experiments show gains relative to models that do not train on collaborative preferences.

연구 동기 및 목표

• 사용자 피드백이 전혀 없는 신규 극장 개봉 영화를 추천하는 문제를 해결하기 위해, 추천 시스템에서 흔히 발생하는 냉각기 문제를 해결한다.
• 예를 들어, 단순 구매 신호와 같은 희박하거나 이진 피드백 데이터가 존재하는 상황에서 추천 성능을 향상시키기 위해 노력한다.
• 자연어 모델을 통해 영화 플롯의 의미적 표현을 협업 거리 학습 프레임워크에 통합한다.
• 유저와 제품의 의미 있는 저차원 임베딩 공간을 학습하여, 거리의 가까움이 유사도와 구매 가능성과 관련되도록 한다.
• 훈련 윈도우 외부에 배포된 영화에 대한 모델의 일반화 능력을 평가함으로써 실제 냉각기 환경에 적용 가능한지를 시뮬레이션한다.

제안 방법

• 모델은 사전 훈련된 자연어 임베딩(예: BERT 또는 유사 모델)을 사용하여 영화 플롯 기술을 고밀도 벡터 표현으로 인코딩한다.
• 딥 네트워크를 활용해 사용자 및 아이템 임베딩가 최적화되는 메트릭 공간을 학습하며, 유사한 사용자는 자신이 살 확률이 높은 아이템에 가까워지도록 한다.
• 훈련 목표는 사용자-아이템 상호작용 트리플릿에 대해 트리플릿 손실을 최소화하는 방식이다: 긍정적 아이템(구매한 항목)은 부정적 아이템(구매하지 않은 항목)보다 사용자 임베딩에 더 가까워지도록 한다.
• 사용자 구매 이력과 영화 플롯의 의미적 임베딩을 함께 훈련함으로써, 텍스트 콘텐츠에서 유저 선호 모델링으로 지식을 전이할 수 있다.
• 학습된 임베딩 공간 덕분에 제로샷 추론이 가능해지며, 새로운 영화는 역사적 피드백 없이도 플롯 임베딩만으로 추천될 수 있다.
• 모델은 고객 이력과 영화 개봉 데이터의 대규모 데이터셋에서 평가되며, 테스트 세트에 포함된 영화는 훈련에서 제외된다.

실험 결과

연구 질문

• RQ1 이진 구매 데이터만 존재할 때 메트릭 학습 프레임워크가 사용자 선호도를 효과적으로 모델링할 수 있는가?
• RQ2 영화 플롯의 의미적 임베딩이 냉각기 추천 성능 향상에 어느 정도 기여하는가?
• RQ3 협업 선호도와 의미적 표현을 함께 학습함으로써, 훈련 중에 보지 못한 극장 개봉 영화에 대한 일반화 능력이 향상되는가?
• RQ4 제안된 CML 모델은 전통적인 협업 필터링 및 콘텐츠 기반 기준 모델 대비 냉각기 시나리오에서 어떻게 성능을 냉각하는가?
• RQ5 모델은 훈련 중에 볼 수 없었던 새로운 영화에 대해 플롯 임베딩과 사용자 구매 이력만으로 일반화할 수 있는가?

주요 결과

• CML 모델은 협업 선호도를 통합하지 않은 기준 모델보다 냉각기 설정에서 뚜렷한 성능 향상을 보였다.
• 협업 학습과 플롯 임베딩의 통합은 훈련 데이터에 포함되지 않은 극장 개봉 영화에 대해 성능 향상을 이끌어내었으며, 희박한 피드백 환경에서 의미적 콘텐츠의 가치를 입증했다.
• 훈련 윈도우 외부에 배포된 영화 테스트 세트에서 예측 정확도가 유의미하게 향상되었으며, 이는 새로운 영화 개봉에 대한 예측 성능 향상을 입증한다.
• 메트릭 학습 프레임워크에서 트리플릿 손실의 사용은 제한된 피드백 조건에서도 사용자 선호 패턴을 효과적으로 포착했다.
• 모델는 새로운 아이템에 대해 잘 일반화되었으며, 영화 플롯의 의미적 표현이 부족한 사용자 피드백을 효과적으로 대체할 수 있음을 보여주었다.
• 결과적으로, 거리가 구매 가능성과 관련된 공유 임베딩 공간을 학습하는 것이 기존의 협업 필터링 또는 콘텐츠 중심 기준 모델보다 더 효과적임을 시사한다.