[논문 리뷰] Collaborative Topic Regression with Social Matrix Factorization for Recommendation Systems

Sanjay Purushotham, Yan Liu외 1명|arXiv (Cornell University)|2012. 06. 18.

Recommender Systems and Techniques참고 문헌 8인용 수 135

한 줄 요약

이 논문은 협업 주제 회귀와 사회적 행렬 분해를 활용하여 사용자 평가, 사회적 네트워크 관계, 잠재 주제를 함께 모델링하는 계층적 베이지안 모델을 제안한다. 주제 모델링과 행렬 분해를 통합함으로써 모델은 의미 있는 주제와 사회적 영향력을 자동으로 추론하며, 두 개의 대규모 데이터셋에서 최신 기술을 능가하는 성능을 보이며, 특히 음악 선호도보다 북마크 행동 예측에서 뛰어난 성능을 발휘한다.

ABSTRACT

Social network websites, such as Facebook, YouTube, Lastfm etc, have become a popular platform for users to connect with each other and share content or opinions. They provide rich information for us to study the influence of user's social circle in their decision process. In this paper, we are interested in examining the effectiveness of social network information to predict the user's ratings of items. We propose a novel hierarchical Bayesian model which jointly incorporates topic modeling and probabilistic matrix factorization of social networks. A major advantage of our model is to automatically infer useful latent topics and social information as well as their importance to collaborative filtering from the training data. Empirical experiments on two large-scale datasets show that our algorithm provides a more effective recommendation system than the state-of-the art approaches. Our results reveal interesting insight that the social circles have more influence on people's decisions about the usefulness of information (e.g., bookmarking preference on Delicious) than personal taste (e.g., music preference on Lastfm). We also examine and discuss solutions on potential information leak in many recommendation systems that utilize social information.

연구 동기 및 목표

• 협업 필터링에서 사회적 네트워크 정보를 활용하여 추천 정확도를 향상시키기 위해.
• 통합된 확률적 프레임워크 내에서 사용자 평가, 사회적 연결 관계, 잠재 주제를 함께 모델링하기 위해.
• 사전 지식 없이 훈련 데이터로부터 주제의 중요도와 사회적 영향력의 중요도를 자동으로 추론하기 위해.
• 사회적 원탁이 정보 유용성(예: Delicious의 북마크)에 비해 개인적 취향(예: Last.fm의 음악)에 영향을 더 많이 미치는지 조사하기 위해.
• 엄격한 평가 및 모델 설계를 통해 사회적 추천 시스템에서의 잠재적 정보 泄露를 해결하기 위해.

제안 방법

• 모델은 협업 주제 회귀와 사회적 행렬 분해를 융합한 계층적 베이지안 프레임워크를 사용한다.
• 생성 과정을 통해 사용자-아이템 평가, 사회적 네트워크 링크, 잠재 주제를 함께 모델링한다.
• 사용자 생성 콘텐츠(예: 태그, 댓글)에 주제 모델링을 적용하여 선호도에 영향을 주는 잠재 주제를 추출한다.
• 사회적 행렬 분해를 통해 네트워크 내의 사회적 연결을 통해 사용자 유사성과 영향력을 캡처한다.
• 변분 추론을 사용하여 관측된 데이터로부터 사용자별 주제 가중치와 사회적 영향력 파rameter를 추론한다.
• 평가 예측, 주제 할당, 사회적 링크 확률을 결합한 공동 가능도 함수를 최적화하여 모델을 학습한다.

실험 결과

연구 질문

• RQ1 사회적 네트워크 정보는 추천 시스템의 협업 필터링 성능 향상에 얼마나 효과적으로 기여하는가?
• RQ2 사회적 원탁은 정보 유용성 결정에 비해 개인적 취향 결정에 얼마나 큰 영향을 미치는가?
• RQ3 사전 지식 없이도 통합된 모델이 잠재 주제와 사회적 영향력을 동시에 추론할 수 있는가?
• RQ4 사회적 추천 시스템에서 정보 泄露의 영향은 무엇이며, 어떻게 이를 완화할 수 있는가?
• RQ5 실세계 데이터셋에서 제안된 모델은 최신 기술 대비 어떻게 비교되는가?

주요 결과

• 제안된 모델은 두 개의 대규모 데이터셋에서 최신 기술을 뛰어넘는 성능을 보이며, 더 높은 예측 정확도를 입증한다.
• 사회적 영향력은 개인적 취향(예: Last.fm의 음악)보다 정보 유용성(예: Delicious의 북마크) 결정에 더 강력한 영향을 미친다.
• 모델은 수동적인 특징 공학 없이도 데이터로부터 의미 있는 잠재 주제와 사회적 영향력 가중치를 자동으로 추론한다.
• 실증 결과에 따르면 주제와 사회적 구조를 함께 통합함으로써 평가 예측의 일반화 능력과 강건성이 향상됨을 확인할 수 있다.
• 연구는 사회적 추천 시스템에서 잠재적인 정보 泄露를 특정하고 이를 해결함으로써 철저한 평가 프로토콜의 필요성을 강조한다.
• 모델은 단일 확률적 프레임워크 내에서 사용자 평가, 사회적 링크, 주제 분포를 함께 모델링함으로써 뛰어난 성능을 달성한다.