[논문 리뷰] Detecting Changes in User Preferences using Hidden Markov Models for Sequential Recommendation Tasks

Farzad Eskandanian, Bamshad Mobasher|arXiv (Cornell University)|2018. 09. 29.

Recommender Systems and Techniques참고 문헌 16인용 수 10

한 줄 요약

이 논문은 사용자 상호작용 시계열에서 변화점(Change Points)을 탐지하기 위해 은닉 마르코프 모델(HMM) 기반 프레임워크를 제안한다. 사용자 선호도의 변화를 식별함으로써, 세그먼테이션된 행렬 분해 또는 직접적인 HMM 기반 순위 매기기를 통해 추천 정확도를 향상시킨다. Spotify 플리즈리스트 데이터셋에서 HMMR이 최고의 NDCG 및 정밀도-재현율 점수를 기록하며 정적 모델을 능가한다.

ABSTRACT

Recommender systems help users find relevant items of interest based on the past preferences of those users. In many domains, however, the tastes and preferences of users change over time due to a variety of factors and recommender systems should capture these dynamics in user preferences in order to remain tuned to the most current interests of users. In this work we present a recommendation framework based on Hidden Markov Models (HMM) which takes into account the dynamics of user preferences. We propose a HMM-based approach to change point detection in the sequence of user interactions which reflect significant changes in preference according to the sequential behavior of all the users in the data. The proposed framework leverages the identified change points to generate recommendations in two ways. In one approach change points are used to create a sequence-aware non-negative matrix factorization model to generate recommendations that are aligned with the current tastes of user. In the second approach the HMM is used directly to generate recommendations taking into account the identified change points. These models are evaluated in terms of accuracy of change point detection and also the effectiveness of recommendations using a real music streaming dataset.

연구 동기 및 목표

• 기존 추천 시스템이 시간에 따라 변화하는 사용자 선호도를 포착하는 데 한계를 지닌다는 문제를 해결하기 위해.
• 명시적인 맥락 신호 없이도 순차적 상호작용 데이터 내에서 사용자 행동의 중대한 변화(변화점)를 탐지하기 위해.
• 검출된 변화점을 활용해 사용자 현재 취향에 맞게 추천을 맞춤화함으로써 추천 정확도를 향상시키기 위해.
• 실제 음악 스트리밍 데이터를 기반으로 변화점 탐지 정확도와 추천 효과성 양측을 평가하기 위해.

제안 방법

• 은닉 상태가 잠재적 선호 상태를 나타내는 은닉 마르코프 모델(HMM)을 사용해 사용자 상호작용 시계열을 모델링한다.
• 은닉 상태 간 전이를 기반으로 전개된 비터비 알고리즘(extended Viterbi algorithm)을 적용해 사용자 상호작용 시계열 내 변화점을 탐지한다.
• 검출된 변화점에서 사용자 프로필을 세그먼트하고, 이를 비음수 행렬 분해(NMF) 모델에 입력해 순차적 추천을 수행한다.
• HMM의 발화 확률을 직접적으로 사용해 항목 추천을 생성하며, 선호 상태 간 항목의 가능성(likelihood)을 모델링한다.
• 변화점 탐지 정확도 평가에 이격 오차(Displacement error)를 사용하며, 지표는 합성 혼합 시계열의 플리즈리스트 경계에서 유도된다.
• 추천 효과성 평가에 정밀도, 재현율, NDCG를 사용하며, NDCG는 시간에 민감하게 설계되어 시간적 순위 반영을 가능하게 한다.

실험 결과

연구 질문

• RQ1 HMM 기반 변화점 탐지가 순차적 상호작용 데이터에서 사용자 선호도 변화를 효과적으로 식별할 수 있는가?
• RQ2 검출된 변화점을 통합함으로써 순차적 추천의 정확도가 정적 모델 대비 향상되는가?
• RQ3 HMM의 은닉 상태 수를 변화시킬 경우 변화점 탐지 정확도에 어떤 영향을 미치는가?
• RQ4 제안된 HMM 기반 추천 방법이 기준 정적 및 순차적 모델 대비 순위 성능에서 어떻게 비교되는가?

주요 결과

• HMM에 2개의 은닉 상태를 사용하는 HMCD-S2와 10개의 은닉 상태를 사용하는 HMCD-S10가 모두 기준 변화점 탐지 방법보다 이격 오차 측면에서 뛰어난 성능을 보였다.
• HMM의 은닉 상태 수를 늘릴수록 이격 오차가 증가했으며, 이는 플리즈리스트 기반 데이터에서 변화점의 수와 고유성이 제한적이기 때문일 것이다.
• HMMR 모델은 발화 확률을 직접 추천에 활용하여 모든 평가 모델 중에서 최고의 NDCG 및 정밀도-재현율 성능을 기록했다.
• 10개의 은닉 상태를 가진 SMF(세그먼테이션된 HMM 기반)가 다른 모델보다 뛰어난 성능을 보였으며, 이는 변화점 인식 세그먼테이션 기법이 추천 정확도 향상에 기여함을 시사한다.
• 동적 선호도 모델링을 수행하지 않는 정적 모델은 일관되게 열등한 성능을 보였으며, 이는 선호도 변화의 포착이 중요함을 강조한다.