[논문 리뷰] Decentralized Recommender Systems

Wang, Zhangyang, Xianming Liu외 4명|arXiv (Cornell University)|2015. 03. 05.

Recommender Systems and Techniques참고 문헌 10인용 수 5

한 줄 요약

이 논문은 협업 필터링을 분산 행렬 완성 문제로 공식화하여 완전히 분산된 데이터 저장 및 계산을 가능하게 하는 탈중앙화 추천 시스템을 제안한다. 사용자가 오직 지역 이웃과만 사용자 프로필 요소를 교환하고 아이템 프로필을 비공개로 유지함으로써, 중앙 집중형 융합이나 콘텐츠 특징을 사용하지 않으면서도 경쟁력 있는 성능(mAPS = 53.46)을 달성하여 프라이버시, 확장성, 내구성을 향상시킨다.

ABSTRACT

This paper proposes a decentralized recommender system by formulating the popular collaborative filleting (CF) model into a decentralized matrix completion form over a set of users. In such a way, data storages and computations are fully distributed. Each user could exchange limited information with its local neighborhood, and thus it avoids the centralized fusion. Advantages of the proposed system include a protection on user privacy, as well as better scalability and robustness. We compare our proposed algorithm with several state-of-the-art algorithms on the FlickerUserFavor dataset, and demonstrate that the decentralized algorithm can gain a competitive performance to others.

연구 동기 및 목표

• 중앙 집중형 데이터 융합 및 클라우드 서버에 의존하지 않는 탈중앙화 추천 시스템을 설계하는 것.
• 사용자 프로필과 평점이 사용자 간에 분산되어 유지되도록 하여 사용자 프라이버시를 보호하는 것.
• 지역 이웃 간의 통신에 국한하여 대규모 모바일 네트워크에서의 확장성과 내구성을 향상시키는 것.
• 콘텐츠 특징을 사용하지 않고도 최신 중앙 집중형 방법과 비교하여 유사한 성능을 달성하는 것.

제안 방법

• 사용자 국소 데이터 분할에 대해 교대 최소화를 사용하여 협업 필터링을 탈중앙화 행렬 완성 문제로 공식화한다.
• 각 사용자는 자신의 부분적 평점 데이터에 대응하는 국소 추정치인 사용자 프로필(U_i), 아이템 프로필(V_i), 보조 행렬(Z_i)을 유지한다.
• 지역 공감을 사용하는 비선형 과거 세이델 반복의 변종을 적용: 사용자는 V_i와 Z_i를 국소적으로 업데이트한 후, U_i를 이웃에게 전파한 후 평균 공감을 통해 U_i를 업데이트한다.
• 단계 크기 β와 이웃 평균을 사용하여 국소 데이터와 한 단계 이웃의 정보를 모두 활용해 U_i를 업데이트한다: U_i = (Z_i V_i^T - a_i + β Σ_{j∈N_i} U_j) / (1 + 2β|N_i|).
• Z_i 업데이트 중 관측된 평점과의 일致성을 확보하기 위해 투영 연산자 P_Ω를 사용한다: Z_i = U_i V_i + P_Ω(R_i - U_i V_i).
• 전체 사용자 간 반복적 동기화를 통해 공동 해에 수렴하며, 전역 조율 없이도 작동한다.

실험 결과

연구 질문

• RQ1 중앙 집중형 융합점이나 공유된 데이터 스토리지 없이도 협업 필터링을 효과적으로 탈중앙화할 수 있는가?
• RQ2 아이템 프로필과 평점이 사용자 간에 국소적으로 유지됨으로써 협업 필터링에서 사용자 프라이버시를 어떻게 보장할 수 있는가?
• RQ3 중앙 집중형 최신 기법과 비교할 때 탈중앙화 행렬 완성 알고리즘이 어떤 성능을 달성할 수 있는가?
• RQ4 탈중앙화 환경에서 콘텐츠 특징의 부재가 추천 정확도에 어떤 영향을 미치는가?

주요 결과

• 제안된 탈중앙화 행렬 완성(DMC) 알고리즘은 FlickrUserFavor 데이터셋에서 mAPS 53.46을 달성하여 PMF(61.99)를 능가하고 CTR(52.76)에 근접한다.
• 콘텐츠 정보를 전혀 사용하지 않음에도 불구하고 경쟁력 있는 성능를 달성하여 특징 통합 시 향상 잠재력이 높음을 시사한다.
• 탈중앙화 접근은 아이템 프로필과 평점이 분산되어 있으며 중앙 서버에 공유되지 않기 때문에 사용자 데이터 프라이버시를 보장한다.
• 지역화된 통신과 계산 덕분에 단일 장애 지점이 없고, 확장성과 내구성이 향상됨을 입증한다.
• 재구성 오차가 중앙 집중형 방법과 유사한 수준으로 수렴함으로써 알고리즘의 효과성을 검증한다.