[논문 리뷰] DARec: Deep Domain Adaptation for Cross-Domain Recommendation via Transferring Rating Patterns

Yuan Feng, Lina Yao외 1명|arXiv (Cornell University)|2019. 05. 26.

Recommender Systems and Techniques참고 문헌 21인용 수 16

한 줄 요약

DARec는 보조 콘텐츠에 의존하지 않고 희박한 평점 행렬에서 직접 평점 패턴을 전이함으로써 교차 도메인 추천을 위한 딥 도메인 적응 모델을 제안한다. 적대적 훈련을 통해 공통된 사용자 선호도와 고유한 아이템 패턴을 추출함으로써, DARec는 여러 공개 데이터셋에서 평점 예측 성능이 최고 수준임을 입증한다. 이는 MF 기반 및 딥 러닝 기반 베이스라인을 모두 능가한다.

ABSTRACT

Cross-domain recommendation has long been one of the major topics in recommender systems. Recently, various deep models have been proposed to transfer the learned knowledge across domains, but most of them focus on extracting abstract transferable features from auxilliary contents, e.g., images and review texts, and the patterns in the rating matrix itself is rarely touched. In this work, inspired by the concept of domain adaptation, we proposed a deep domain adaptation model (DARec) that is capable of extracting and transferring patterns from rating matrices {\em only} without relying on any auxillary information. We empirically demonstrate on public datasets that our method achieves the best performance among several state-of-the-art alternative cross-domain recommendation models.

연구 동기 및 목표

• 교차 도메인 지식 전이를 통해 추천 시스템의 쿨스타트 문제와 희박성 문제를 해결하고자 한다.
• 텍스트나 이미지와 같은 보조 데이터에 의존하지 않고, 평점 행렬만을 사용하여 소스 도메인에서 타겟 도메인으로 추상적인 평점 패턴을 추출하고 전이하는 방법을 개발하고자 한다.
• 다양한 도메인 간의 공통된 사용자 선호도와 고유한 아이템 행동을 모델링하여 타겟 도메인의 추천 정확도를 향상시키고자 한다.
• 기존 딥 러닝 모델이 콘텐츠 특징에 의존하는 한계를 극복하고, 오직 평점 행렬의 구조에 집중함으로써 성능을 향상시키고자 한다.
• 공개 데이터셋을 활용한 실험적 평가를 통해 도메인 적응 기법이 교차 도메인 추천에 효과적으로 적용될 수 있음을 입증하고자 한다.

제안 방법

• 공통 및 도메인 특화 특징을 공동으로 학습할 수 있도록, 소스 도메인과 타겟 도메인의 사용자 임베딩을 처리하기 위한 이중 브랜치 딥 네ural 네트워크 아키텍처를 사용한다.
• 희박한 평점 행렬에서 밀도 높은 사용자 임베딩을 학습하기 위해 AutoRec을 먼저 적용하여, 딥 러닝에 적합한 연속적 표현으로 변환한다.
• 도메인 불변성을 강제하기 위해 도메인 분류기를 도입하여, 적대적 훈련을 통해 다양한 도메인 간의 공통 평점 패턴을 추출할 수 있도록 한다.
• 소스 도메인과 타겟 도메인의 중요도를 균형 있게 조절하기 위해 가중치가 부여된 손실 함수를 사용하여 지식 전이의 방향성과 강도를 제어한다.
• 두 가지 변형을 제안한다: U-DARec는 공통된 사용자 패턴을 학습하고, I-DARec는 서로 다른 도메인 간의 고유한 아이템 패턴을 분리한다.
• 최종 평점 예측기는 딥 네ural 네트워크에서 추출한 공통 및 도메인 특화 특징을 사용하여 타겟 도메인의 사용자-아이템 평점을 예측한다.

실험 결과

연구 질문

• RQ1 보조 콘텐츠 없이 평점 행렬만을 사용하여 딥 도메인 적응을 교차 도메인 추천에 효과적으로 적용할 수 있는가?
• RQ2 도메인 분류기의 적대적 훈련이 다양한 도메인 간의 공통된 사용자 평점 패턴 전이에 어떻게 기여하는가?
• RQ3 희박한 평점 행렬에서만 학습하는 모델이 콘텐츠 특징에 의존하는 최고 수준의 방법보다 얼마나 뛰어난 성능을 보일 수 있는가?
• RQ4 다른 도메인에서 고유한 아이템 패턴을 분리하는 것이 추천 성능에 어떤 영향을 미치는가?
• RQ5 낮은 사용자-아이템 겹침과 높은 희박성을 가진 도메인 간에서도 제안된 방법이 잘 일반화되는가?

주요 결과

• DARec는 공개 데이터셋에서 비교된 모든 최고 수준의 교차 도메인 추천 모델 중에서 가장 뛰어난 성능을 기록하여, 뛰어난 평점 예측 정확도를 입증한다.
• I-DARec는 Office Products 및 Movies & TV 데이터셋에서 최고의 베이스라인인 CoNet보다 RMSE를 3.45% 감소시켜 극도로 희박한 상황에서도 효과적임을 입증한다.
• MF 기반 모델에 비해 딥 러닝 기반 모델(DARec)은 희박도가 99.8% 이상인 고희박 데이터셋에서 뚜렷한 우수성을 보이며, 희박한 환경에서 비선형 모델링의 이점이 있음을 확인한다.
• U-DARec에서 적대적 훈련을 사용하면 일반화 능력은 향상되지만, 도메인 분류기와 평점 예측기를 동시에 최적화하는 I-DARec에 비해 약간 성능이 떨어진다.
• 낮은 의미적 유사도를 가진 도메인 쌍에서도 모델 성능이 안정적이므로, 관련성이 낮은 도메인 간에도 평점 패턴 전이가 효과적으로 이루어짐을 시사한다.
• 실험 결과는 평점 행렬에서만 지식 전이를 수행하는 것이 타겟 도메인의 추천 정확도를 크게 향상시키는 데 충분함을 확인한다.