[논문 리뷰] Completing partial recipes using item-based collaborative filtering to recommend ingredients

Paula Fermín Cueto, Meeke Roet외 1명|arXiv (Cornell University)|2019. 07. 23.

Recommender Systems and Techniques인용 수 6

한 줄 요약

이 논문은 암시적 피드백을 사용하여 부분 조리법에 누락된 재료를 추천하기 위해 항목 기반 협업 필터링 접근법을 제안한다. 희박하고 고차원적인 조리법 데이터셋을 바탕으로 하며, PMI 유사도와 주성분 분석(PCA) 기반 차원 축소를 적용하여 40.25%의 recall@10을 달성하였다. 이는 데이터 희박성과 명시적 평점의 부재에도 불구하고 효과적이고 직관적인 재료 추천을 가능하게 한다.

ABSTRACT

Increased public interest in healthy lifestyles has motivated the study of algorithms that encourage people to follow a healthy diet. Applying collaborative filtering to build recommendation systems in domains where only implicit feedback is available is also a rapidly growing research area. In this report we combine these two trends by developing a recommendation system to suggest ingredients that can be added to a partial recipe. We implement the item-based collaborative filtering algorithm using a high-dimensional, sparse dataset of recipes, which inherently contains only implicit feedback. We explore the effect of different similarity measures and dimensionality reduction on the quality of the recommendations, and find that our best method achieves a recall@10 of circa 40%.

연구 동기 및 목표

• 조리법-재료 공존 정보에서만 암시적 피드백을 사용하여 부분 조리법을 완성하는 데 도움이 되는 재료를 추천하는 추천 시스템을 개발하는 것.
• 희박하고 고차원적인 데이터셋에서 다양한 유사도 측정 방법과 차원 축소 기법이 추천 품질에 미치는 영향을 평가하는 것.
• 재료가 존재하지 않음을 부정을 의미하지 않기 때문에 암시적 피드백의 특성상 부정적 피드백을 잘못 해석할 수 있음을 고려하여 적절한 유사도 측정 방법을 선택하는 것.
• PCA 기반 차원 축소를 통해 모델의 확장성과 안정성을 향상시키면서도 높은 수준의 추천 품질을 유지하는 것.
• 유사한 작업과 데이터셋에서 기존의 행렬 분해 기반 접근법과의 성능을 비교하는 것.

제안 방법

• 모든 조리법을 '사용자'로, 모든 재료를 '항목'으로 간주하여, 재료 존재 시 1, 부재 시 0인 이진 평점 행렬로 데이터셋을 변환한다.
• 네 가지 유사도 측정 방법(코사인, 비대칭 코사인, 자카르드, 포인트와이즈 상호정보량(PI))을 사용하여 부분 조리법에 자주 함께 등장하는 재료를 식별한다.
• 가장 유사한 재료 기반으로 추천을 생성하기 위해 k-최근접 이웃(k=50)을 사용하며, 안정성을 확보하기 위해 k를 최적화한다.
• 재료 공간의 차원을 줄이기 위해 주성분 분석(PCA)을 적용하여 희박성을 감소시키고 계산 효율성과 안정성을 향상시킨다.
• 정밀도와 순위 품질을 평가하기 위해 recall@10, 평균 순위, 중앙 순위를 사용하여 성능을 평가한다.
• 전처리를 통해 중복된 재료 변형(예: '타코'와 '타코베이크드')을 해결한 후, 'What's Cooking?' 캐글 데이터셋(39,774개의 조리법, 6,782종의 고유한 재료 포함)을 기반으로 모델을 훈련 및 테스트한다.

실험 결과

연구 질문

• RQ1 코사인, 비대칭 코사인, 자카르드, PMI와 같은 다양한 유사도 측정 방법이 희박하고 암시적 피드백이 있는 환경에서 재료 추천 품질에 어떤 영향을 미치는가?
• RQ2 PCA 기반 차원 축소가 고차원적이고 희박한 조리법 데이터에서 항목 기반 협업 필터링의 안정성과 성능을 어느 정도 향상시키는가?
• RQ3 명시적 사용자 평점이나 요리 종류 메타데이터 없이도 항목 기반 협업 필터링이 직관적이고 맥락적으로 관련성이 있는 재료 추천을 생성할 수 있는가?
• RQ4 k(이웃 수)의 선택이 다양한 유사도 측정 방법에 따라 추천의 안정성과 품질에 어떤 영향을 미치는가?
• RQ5 유사한 작업과 데이터셋에서 제안된 방법이 기존의 NNMF 및 RLS 기반 행렬 분해 접근법과 비교해 성능 면에서 어떻게 다른가?

주요 결과

• PMI 유사도를 사용하고 k=50, PCA 기반 차원 축소를 적용한 최고의 성능을 보인 방법이 recall@10 40.25%를 달성하였으며, 평가된 모든 유사도 측정 방법 중에서 가장 높은 성능을 보였다.
• 비대칭 코사인과 PMI 유사도가 표준 코사인과 자카르드 유사도보다 recall@10과 중앙 순위 모두에서 뛰어난 성능을 보여, 희박한 이진 데이터를 더 잘 다루는 것으로 나타났다.
• PCA 기반 차원 축소는 추천 품질을 향상시키고 런타임을 10배 감소시켰으며, k와 유사도 측정 방법의 변화에 대해 결과가 더 강인해졌다.
• 모델은 직관적이고 요리 종류를 고려한 추천을 생성하였으며, 예를 들어 멕시칸 스타일 조리법에 대해 살사와 옥수수를 추천하는 등 명시적인 요리 정보 없이도 적절한 맥락 기반 추천을 이끌어냈다.
• 명시적 피드백이 없고 재료 중복 문제(예: '타코'와 '옥수수 타코')와 같은 데이터 품질 문제에도 불구하고, 모델은 타당하고 맥락적으로 관련성이 있는 제안을 생성하였다.
• 제안된 방법과 De Clercq 등이 제안한 NNMF 접근법(43.6% recall@10) 간의 성능 격차는 데이터 정제 수준의 영향을 받는 것으로 분석되었으며, 데이터 전처리를 통해 이 격차를 줄이거나 뒤집을 수 있을 것으로 보인다.