[논문 리뷰] Cross-domain novelty seeking trait mining for sequential recommendation

Fuzhen Zhuang, Yingmin Zhou외 4명|arXiv (Cornell University)|2018. 03. 05.

Recommender Systems and Techniques참고 문헌 19인용 수 6

한 줄 요약

이 논문은 도서, 음악, 영화 등의 다양한 도메인(예: 도서, 음악, 영화)에서의 순차적 행동 데이터를 기반으로 사용자의 신선함 추구 성향을 탐색하는 CDNST라는 교차 도메인 전이 학습 모델을 제안한다. 이는 순차적 추천 성능을 향상시키기 위한 것이다. 도메인 간에 신선함 추구 성향 파rameter를 공유하고 시간에 민감한 관련성 측정 방법을 활용함으로써, 특히 소스 도메인 행동이 타겟 도메인 행동 이전에 발생할 경우에 뚜렷한 성능 향상을 달성하며, 단일 도메인 기반 모델 대비 정확도가 향상됨을 보여준다.

ABSTRACT

Transfer learning has attracted a large amount of interest and research in last decades, and some efforts have been made to build more precise recommendation systems. Most previous transfer recommendation systems assume that the target domain shares the same/similar rating patterns with the auxiliary source domain, which is used to improve the recommendation performance. However, to the best of our knowledge, almost these works do not consider the characteristics of sequential data. In this paper, we study the new cross-domain recommendation scenario for mining novelty-seeking trait. Recent studies in psychology suggest that novelty-seeking trait is highly related to consumer behavior, which has a profound business impact on online recommendation. Previous work performing on only one single target domain may not fully characterize users' novelty-seeking trait well due to the data scarcity and sparsity, leading to the poor recommendation performance. Along this line, we proposed a new cross-domain novelty-seeking trait mining model (CDNST for short) to improve the sequential recommendation performance by transferring the knowledge from auxiliary source domain. We conduct systematic experiments on three domain data sets crawled from Douban (www.douban.com) to demonstrate the effectiveness of the proposed model. Moreover, we analyze how the temporal property of sequential data affects the performance of CDNST, and conduct simulation experiments to validate our analysis.

연구 동기 및 목표

• 순차적 추천에서 데이터 희소성과 냉시작 문제를 해결하기 위해 교차 도메인 지식 전이를 활용하고자 한다.
• 다양한 도메인에서 사용자의 새로운 것에 대한 선호 성향(다양성과 신선함에 대한 선호)을 모델링하여 추천 정확도를 향상시키고자 한다.
• 사용자 행동의 순차적 순서를 고려한 시간에 민감한 전이 학습 프레임워크를 개발하고자 한다.
• 소스 도메인 행동이 타겟 도메인 행동 이전에 발생할 경우, 교차 도메인 전이의 효과성을 검증하고자 한다. 특히 순차적 추천 시나리오에서의 성능을 분석한다.

제안 방법

• CDNST는 소스 도메인과 타겟 도메인 간에 사용자의 신선함 추구 성향을 나타내는 파라미터를 공유하여 지식 전이를 가능하게 한다.
• 모델은 사용자 행동의 연속적 순서를 기반으로 도메인 A의 행동이 도메인 B의 추천에 기여할 수 있는지 평가하기 위해 시간에 민감한 관련성 측정 방법 $ Sim(A \rightarrow B) $ 를 사용한다.
• 키워드 간 유사도는 검색 엔진 결과를 기반으로 word2vec 임베딩을 사용하여 계산한다. 이는 서로 다른 도메인 내 행동 간 의미적 유사도를 측정하기 위함이다.
• 관련성 측정 방법 $ Sim(A_u \rightarrow B_u) $ 는 시간 창 $ \tau $ 내에서 사용자 $ u $ 가 도메인 A와 B에서 수행한 행동 간에 시간적으로 정렬된 키워드 쌍의 평균 코사인 유사도로 정의된다.
• 전반적인 전이 적합성은 모든 사용자에 대해 계산된 사용자 수준의 관련성 점수의 평균으로 계산된다.
• 사용자 수준의 관련성에 기반한 개인화된 전이를 적용하며, $ Sim(A_u \rightarrow B_u) > Sim(B_u \rightarrow A_u) $ 를 만족하는 사용자만을 선택하여 대상 지정된 지식 전이를 구현한다.

실험 결과

연구 질문

• RQ1 소스 도메인 행동이 타겟 도메인 행동 이전에 발생할 경우, 교차 도메인 전이를 통해 신선함 추구 성향을 전이하면 순차적 추천 성능이 향상되는가?
• RQ2 다양한 도메인 간 순차적 행동의 시간 순서가 추천 시스템에서 지식 전이의 효과성에 어떤 영향을 미치는가?
• RQ3 데이터 기반의, 맥락에 민감한 관련성 측정 방법 $ Sim(A \rightarrow B) $ 는 도메인 간 적합한 전이 학습 시나리오를 효과적으로 식별할 수 있는가?
• RQ4 사용자 수준의 관련성에 기반한 개인화된 전이 방식은 도메인 수준의 전이보다 더 높은 성능을 내는가?

주요 결과

• CDNST는 소스 도메인이 타겟 도메인보다 이른 순차적 행동을 보일 경우, 단일 도메인 기반 모델 대비 추천 정확도가 뚜렷이 향상된다.
• 모델의 성능은 순차적 데이터의 시간적 특성에 민감하며, 소스 도메인 행동이 타겟 도메인 행동 이전에 발생할 경우 더 높은 성능 향상을 보인다.
• 제안된 관련성 측정 방법 $ Sim(A \rightarrow B) $ 는 타당한 $ A \rightarrow B $ 방향에서 높은 값을 기록하며, 이는 그 설계의 타당성을 입증한다.
• 사용자 수준의 관련성에 기반한 개인화된 전이 방식은 도메인 수준의 전이보다 추가적인 성능 향상을 이끌어내며, 적절한 전이 쌍을 선별하는 데 효과적임을 확인한다.
• 시뮬레이션 실험 결과, 행동의 시간 순서는 교차 도메인 순차적 추천에서 성공적인 지식 전이의 핵심 요소임을 확인하였다.
• 모델은 Douban에서 크롤링한 실제 세 가지 도메인(도서, 음악, 영화)에서 뚜렷한 일반화 능력을 보이며, 다양한 순차적 데이터에 대해 강건함을 입증하였다.