[논문 리뷰] Cross-Domain Recommendation: Challenges, Progress, and Prospects

Feng Zhu, Yan Wang외 4명|arXiv (Cornell University)|2021. 03. 02.

Recommender Systems and Techniques참고 문헌 50인용 수 16

한 줄 요약

이 논문은 교차 도메인 추천(CDR)에 대한 종합적인 서베이를 제공하며, 기존의 접근 방식을 단일 대상, 다중 도메인, 이중 대상, 다중 대상 CDR로 분류한다. 전체 시각적 분류 체계를 제시하고, 부정적 전이와 같은 과제를 분석하며, 이질적 CDR, 순차적 CDR, 개인정보 보호 CDR 분야에서의 핵심 전망을 밝히며, 추천 시스템에서의 데이터 희소성 문제 완화를 위한 토대가 되는 참고 자료를 제공한다.

ABSTRACT

To address the long-standing data sparsity problem in recommender systems (RSs), cross-domain recommendation (CDR) has been proposed to leverage the relatively richer information from a richer domain to improve the recommendation performance in a sparser domain. Although CDR has been extensively studied in recent years, there is a lack of a systematic review of the existing CDR approaches. To fill this gap, in this paper, we provide a comprehensive review of existing CDR approaches, including challenges, research progress, and future directions. Specifically, we first summarize existing CDR approaches into four types, including single-target CDR, multi-domain recommendation, dual-target CDR, and multi-target CDR. We then present the definitions and challenges of these CDR approaches. Next, we propose a full-view categorization and new taxonomies on these approaches and report their research progress in detail. In the end, we share several promising research directions in CDR.

연구 동기 및 목표

• 추천 시스템에서 지속적인 데이터 희소성 문제를 해결하기 위해 기존 교차 도메인 추천(CDR) 접근 방식을 체계적으로 검토하는 것.
• 사용자, 항목, 콘텐츠 수준의 관련성 기반으로 CDR를 단일 대상, 다중 도메인, 이중 대상, 다중 대상 CDR로 네 가지 유형으로 분류하는 것.
• 부정적 전이와 도메인 간 데이터 이질성과 같은 CDR의 핵심 과제를 식별하고 분석하는 것.
• 이질적 CDR, 순차적 CDR, 개인정보 보호 CDR와 같은 새로운 분류 체계와 연구 방향을 제안하여 향후 연구를 이끌어내는 것.
• 대표적인 연구, 데이터셋, 열린 과제를 요약하여 연구자들이 통합된 참고 자료를 확보할 수 있도록 하는 것.

제안 방법

• 논문은 도메인 관련성 기반으로 CDR를 네 가지 유형으로 종합적인 분류 체계를 제안한다: 콘텐츠 수준, 사용자 수준, 항목 수준의 관련성.
• 기존 CDR 방법을 세 가지 전통적 유형으로 분류한다: 콘텐츠 기반 전이, 임베딩 기반 전이, 평점 패턴 기반 전이로, 각각 다른 형태의 교차 도메인 지식을 활용한다.
• 임베딩 기반 전이의 메커니즘을 분석하며, SVD, BPR, 신경망 기반 공동 필터링 등 CF 모델에서 유도된 사용자/항목 임베딩을 공통 사용자 또는 공통 항목을 통해 전이하는 방식을 설명한다.
• 평점 패턴 기반 전이의 경우, 다중 작업 학습, 전이 학습, 군집화와 같은 기계 학습 기법을 활용하여 도메인 간 평점 행동 패턴을 전이하는 방식을 제시한다.
• 논문은 도메인 수와 교차 도메인 정렬의 성격(예: 공통 사용자, 공통 항목, 공통 콘텐츠)에 따라 CDR 시나리오를 구분하는 혁신적인 분류 체계를 도입한다.
• 기존 데이터셋을 평가하며 그 한계를 제시하고, 연구자들이 접근 가능하고 대표적인 CDR 벤치마크로 향하도록 이끌어낸다.

실험 결과

연구 질문

• RQ1 풍부한 소스 도메인을 활용하여 희소한 도메인에서의 데이터 희소성 문제를 효과적으로 완화할 수 있는 교차 도메인 추천의 방법은 무엇인가?
• RQ2 단일 대상, 다중 도메인, 이중 대상, 다중 대상 CDR 시나리오 간의 근본적 차이점과 과제는 무엇인가?
• RQ3 도메인 간 이질적 데이터 소스(예: 평점, 사회적 상호작용, 리뷰)가 지식 전이와 추천 성능에 미치는 영향은 무엇인가?
• RQ4 다중 대상 CDR에서의 핵심 과제는 무엇인가, 특히 관련 없거나 노이즈가 많은 소스 도메인으로부터의 부정적 전이 위험은 어떻게 관리할 수 있는가?
• RQ5 순차적 모델링, 이질적 데이터 통합, 개인정보 보호 기법과 같은 새로운 연구 방향 중 CDR 발전에 가장 기여할 잠재력을 지닌 것은 무엇인가?

주요 결과

• 다중 대상 CDR는 부정적 전이의 위험으로 인해 매우 도전적인 분야이며, 현재까지 MDCDR 및 공유 이질적 그래프 모델과 같은 몇 가지 접근 방식만 제안된 바 있다.
• 기존 CDR 방법은 도메인 간 동일한 데이터를 가정하지만, 실세계 시스템은 상당한 이질성을 보이며(예: 전자상거래 vs. 소셜 미디어), 이로 인해 전이 효과가 제한된다.
• 순차적 CDR는 유망하지만 아직 연구가 부족한 분야이며, 장기적인 순차적 의존성과 교차 도메인 지식 전이를 동시에 모델링해야 하기 때문이다.
• 개인정보 보호 CDR는 거의 다루어지지 않은 분야이며, 단순한 모델(예: 사회적 행렬 분해)에 대한 기본적인 솔루션 외에는 거의 존재하지 않아 주요 연구 격차로 남아 있다.
• 이 서베이에서는 사용자 수준 또는 항목 수준의 관련성이 있는 상황에서 임베딩 기반 및 평점 패턴 기반 전이 방법이 콘텐츠 기반 접근보다 우수한 성능을 보임을 확인했다.
• 진전이 있었음에도 불구하고 다중 대상 CDR는 강력한 해결책이 부족하며, 현재의 방법들은 동시에 여러 다양성 있는 도메인으로부터 지식을 전이하는 복잡성을 충분히 다루지 못하고 있다.