[논문 리뷰] Context-Aware Service Recommendation System for the Social Internet of Things

Amar Khelloufi, Huansheng Ning외 3명|arXiv (Cornell University)|2023. 08. 14.

Digital Marketing and Social MediaSocial Sciences인용 수 3

한 줄 요약

이 논문은 요소 분해 기계를 사용하여 리뷰 기반 및 참여 기반 기능 학습을 통합함으로써 고차원 기능 상호작용을 모델링하는, 사회적 사물 인터넷(SIoT)을 위한 맥락 인식 서비스 추천 시스템인 CASR-SIoT를 제안한다. 이 프레임워크는 기기-서비스 쌍 내의 맥락적 및 잠재적 기능 상호작용을 효과적으로 포착함으로써 기준 방법 대비 재현율 12.5% 향상 및 정밀도 19.46% 향상으로 추천 정확도를 향상시킨다.

ABSTRACT

The Social Internet of Things (SIoT) enables interconnected smart devices to share data and services, opening up opportunities for personalized service recommendations. However, existing research often overlooks crucial aspects that can enhance the accuracy and relevance of recommendations in the SIoT context. Specifically, existing techniques tend to consider the extraction of social relationships between devices and neglect the contextual presentation of service reviews. This study aims to address these gaps by exploring the contextual representation of each device-service pair. Firstly, we propose a latent features combination technique that can capture latent feature interactions, by aggregating the device-device relationships within the SIoT. Then, we leverage Factorization Machines to model higher-order feature interactions specific to each SIoT device-service pair to accomplish accurate rating prediction. Finally, we propose a service recommendation framework for SIoT based on review aggregation and feature learning processes. The experimental evaluation demonstrates the framework's effectiveness in improving service recommendation accuracy and relevance.

연구 동기 및 목표

• 기존 SIoT 추천 시스템이 서비스 리뷰의 맥락적 표현을 간과하고 잠재적 기능 상호작용을 모델링하지 못하는 격차를 보완하기 위해.
• 기기-서비스 쌍을 위한 리뷰 기반 및 참여 기반 기능 학습을 통합하여 추천 정확도를 향상시키기 위해.
• 사용자 리뷰 및 서비스 문서로부터 관련 의미 정보를 추출하는 데에 효과적인 선택적 레이어의 효과를 평가하기 위해.
• 동적 SIoT 환경에서 하이퍼파rameter 설정의 영향이 추천 성능에 미치는 영향을 조사하기 위해.
• 개인화된 서비스 추천을 위해 사회적 관계, 맥락 데이터 및 다중 모odal 특징을 통합하는 프레임워크를 개발하기 위해.

제안 방법

• SIoT 내에서 기기-기기 관계를 집계하고 잠재적 기능 상호작용을 포착하기 위한 잠재 기능 조합 기법을 제안한다.
• 정확한 평가 예측을 위해 각 기기-서비스 쌍에 특화된 고차원 기능 상호작용을 모델링하기 위해 요소 분해 기계를 활용한다.
• 사용자 리뷰 및 서비스 문서로부터 관련 의미 정보를 추출하고 우선순위를 정하기 위한 선택적 레이어를 갖춘 리뷰 기반 기능 학습 구성 요소를 도입한다.
• 참여 기반 및 리뷰 기반 기능 학습을 통합하여 기기-서비스 표현을 종합적으로 구축한다.
• SIoT 내 기기 및 사용자 간의 사회적 관계와 선호도를 모델링하기 위해 지식 그래프 유사 구조를 활용한다.
• 다중 모달 데이터, 사회적 상관관계 및 맥락적 요소를 융합하는 하이브리드 학습 아키텍처를 활용하여 추천의 관련성을 향상시킨다.

실험 결과

연구 질문

• RQ1 리뷰 기반 및 참여 기반 기능 학습의 통합이 SIoT 환경에서 서비스 추천 성능에 미치는 영향은 어떠한가?
• RQ2 다양한 하이퍼파rameter 설정이 추천 시스템의 정확도 및 효과성에 미치는 영향은 무엇인가?
• RQ3 리뷰 기반 기능 학습 과정에서 선택적 레이어가 기기-서비스 쌍으로부터 관련 의미 정보를 식별하는 데에 얼마나 효과적인가?
• RQ4 다양한 데이터셋에서 제안된 프레임워크가 기존 기준 모델 대비 정밀도, 재현율 및 F1-스코어 측면에서 얼마나 뛰어난가?
• RQ5 대규모 SIoT 환경에서의 동적 및 희박한 데이터를 처리하는 데에 이 프레임워크는 얼마나 잘 기능하는가?

주요 결과

• CASR-SIoT 프레임워크는 모든 세 가지 데이터셋에서 기준 방법을 초월하여 성능을 발휘하였으며, LR 기반 기준 대비 재현율 12.50% 향상 및 정밀도 19.46% 향상 달성.
• 리뷰 기반 기능 학습 구성 요소에서 선택적 레이어를 제거한 결과 성능 저하가 심각하게 발생하여, 관련 의미 특징을 식별하는 데에 선택적 레이어의 중요성을 확인하였다.
• FM 기반 모델은 가장 낮은 성능(F1: 0.7423)을 기록하여, 요소 분해 기계만으로는 통합 기능 학습 구성 요소 없이선 부족함을 확인하였다.
• 가전제품, 휴대폰, 전자기기 카테고리에서 각각 F1-스코어 0.874, 0.812, 0.831를 기록하며 프레임워크가 뛰어난 성능을 보였다.
• 참여 기반 및 리뷰 기반 기능 학습의 통합은 시스템의 맥락 인식 상호작용 모델링 능력 향상과 추천 관련성 향상에 크게 기여하였다.
• 결과는 서비스 리뷰 및 사회적 관계의 맥락 인식 모델링이 동적 SIoT 환경에서 더 정확하고 개인화된 추천을 가능하게 한다는 점을 확인하였다.