[논문 리뷰] Context-aware Ensemble of Multifaceted Factorization Models for Recommendation Prediction in Social Networks

Yunwen Chen, Zuotao Liu외 5명|arXiv (Cornell University)|2021. 05. 03.

Recommender Systems and Techniques참고 문헌 11인용 수 8

한 줄 요약

이 논문은 사회적 네트워크 관계, 사용자 행동(예: 재트윗, 댓글), 사용자 프로필(나이, 성별, 키워드)을 암묵적 피드백으로 통합하여 추천 정확도를 향상시키는 맥락 인식형 앙상블 다각도 인수분해 모델을 제안한다. 여러 인수분해 모델을 지도 학습 기반 로지스틱 회귀로 조합하고 사용자 행동 지속 시간을 모델링함으로써, 이 방법은 공개 MAP 점수 0.43959를 기록하여 KDD-Cup 2012 경연 대회에서 2위를 차지하였다.

ABSTRACT

This paper describes the solution of Shanda Innovations team to Task 1 of KDD-Cup 2012. A novel approach called Multifaceted Factorization Models is proposed to incorporate a great variety of features in social networks. Social relationships and actions between users are integrated as implicit feedbacks to improve the recommendation accuracy. Keywords, tags, profiles, time and some other features are also utilized for modeling user interests. In addition, user behaviors are modeled from the durations of recommendation records. A context-aware ensemble framework is then applied to combine multiple predictors and produce final recommendation results. The proposed approach obtained 0.43959 (public score) / 0.41874 (private score) on the testing dataset, which achieved the 2nd place in the KDD-Cup competition.

연구 동기 및 목표

• 희소하고 노이즈가 많은 데이터에서 복잡한 사용자 관심사를 모델링하는 데 도전한다.
• 사회적 관계, 사용자 행동, 프로필 속성과 같은 다양한 특징을 통합하여 추천 정확도를 향상시킨다.
• 다양한 예측기들을 융합하여 성능을 향상시키는 맥락 인식형 앙상블 프레임워크를 개발한다.
• 비활성 사용자를 위한 사용자 프로필 및 행동 특징을 활용하여 콜드 스타트 문제를 완화한다.
• 사용자 행동 지속 시간과 시간적 맥락을 모델링하여 동적인 관심 변화를 포착한다.

제안 방법

• 이 방법은 이중 단계 학습 프레임워크를 사용한다: 먼저 전처리된 데이터에서 다각도 인수분해 모델을 학습하고, 그 다음에 지도 학습 기반 로지스틱 회귀를 통해 이를 조합한다.
• 사회적 네트워크 행동(재트윗, 댓글, 언급)은 사용자-아이템 상호작용 신호를 풍부하게 하기 위해 암묵적 피드백으로 간주된다.
• 나이, 성별, 태그, 키워드, 트윗 수와 같은 사용자 특징은 인수분해 모델 내의 편향 및 요인 벡터로 통합된다.
• 시간적 맥락은 과거 행동의 슬라이딩 윈도우(예: Γ(5) = 최근 5단계)를 사용하여 모델링되며, 이는 예측에 가중치를 부여하는 데 사용된다.
• 사용자 행동 지속 시간은 시간 시리즈 신호로 모델링되어 사용자 참여의 시간적 동적 특성을 포착한다.
• 맥락 인식형 앙상블 프레임워크는 검증 세트에서 학습된 계수를 사용하여 여러 기본 모델의 예측을 로지스틱 회귀로 융합한다.

실험 결과

연구 질문

• RQ1 협업 필터링에서 사회적 네트워크 관계와 사용자 행동을 암묵적 피드백으로 효과적으로 모델링할 수 있는가?
• RQ2 나이, 성별, 태그와 같은 사용자 프로필 특징은 콜드 스타트 사용자에게 특히 추천 정확도 향상에 어떤 영향을 미치는가?
• RQ3 시간적 맥락과 행동 지속 시간을 통합함으로써 추천 모델의 예측 능력은 어떻게 향상되는가?
• RQ4 다양한 다각도 인수분해 모델을 앙상블하는 방식은 개별 모델 대비 성능 향상에 얼마나 기여하는가?
• RQ5 지도 학습 기반의 앙상블 전략은 다양한 예측기를 효과적으로 융합하여 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• 사회적 네트워크 행동(예: 재트윗, 댓글)을 암묵적 피드백으로 통합함으로써 모델의 MAP는 0.3721에서 0.3701로 향상되어 뚜렷한 성과 향상을 보였다.
• 나이, 성별, 키워드와 같은 사용자 프로필 특징을 통합함으로써 MAP는 0.3887로 상승하여 콜드 스타트 시나리오에서의 가치를 입증했다.
• 슬라이딩 윈도우(Γ(5))를 활용한 사용자 행동 지속 시간과 시간적 맥락 모델링은 공개 테스트 세트에서 MAP 0.4395를 기록하여 모든 설정 중에서 가장 높은 성능을 보였다.
• 맥락 인식형 앙상블 다각도 인수분해 모델은 공개 MAP 점수 0.43959와 사적 점수 0.41874를 기록하여 KDD-Cup 2012 경연 대회에서 2위를 차지하였다.
• 보조 학습 데이터 사용과 최근접 이웃 기법의 적용으로 성능이 향상되어 최종 단계에서 MAP가 0.3907에서 0.3911로 상승했다.