[논문 리뷰] Discrete-valued Preference Estimation with Graph Side Information.

Changhun Jo, Kangwook Lee|arXiv (Cornell University)|2020. 03. 16.

Recommender Systems and Techniques참고 문헌 19인용 수 7

한 줄 요약

이 논문은 그래프 보조 정보를 사용하여 이산값을 가진 선호도 추정을 위한 새로운 모델을 제안하며, 이전 연구에서의 엄격한 가정을 완화한다. 최적의 표본 복잡도를 확립하고, 이론적 복잡도를 충족하면서도 모델 오차에 대해 강건한 계산 효율성이 높은 알고리즘을 도입하여, 합성 및 실세계 데이터에서 기존 방법들을 능가한다.

ABSTRACT

Incorporating graph side information into recommender systems has been widely used to better predict ratings, but relatively few works have focused on theoretical guarantees. Ahn et al. (2018) firstly characterized the optimal sample complexity in the presence of graph side information, but the results are limited due to strict, unrealistic assumptions made on the unknown preference matrix. In this work, we propose a new model in which the unknown preference matrix can have any discrete values, thereby relaxing the assumptions made in prior work. Under this new model, we fully characterize the optimal sample complexity and develop a computationally-efficient algorithm that matches the optimal sample complexity. We also show that our algorithm is robust to model errors, and it outperforms existing algorithms on both synthetic and real datasets.

연구 동기 및 목표

• 그래프 보조 정보를 사용하는 추천 시스템에서 이론적 보장을 부족하게 하는 문제를 해결하기 위해.
• 이전 연구에서 선호도 행렬에 대한 제한적인 가정을 완화하여 임의의 이산값을 허용하기 위해.
• 새로운 완화된 모델 하에서 최적의 표본 복잡도를 규명하기 위해.
• 최적의 표본 복잡도를 충족하는 계산 효율성이 높은 알고리즘을 개발하기 위해.
• 모델 오차에 대한 강건성과 실세계 및 합성 데이터에서의 뛰어난 성능을 입증하기 위해.

제안 방법

• 모르는 선호도 행렬이 임의의 이산값을 가질 수 있도록 허용하는 새로운 선호도 추정 모델을 도입하여 이전 모델을 일반화한다.
• 선호도 행렬의 추정을 정규화하기 위해 그래프 보조 정보를 활용하여 표본 효율성을 향상시킨다.
• 새로운 모델 하에서 이론적으로 최적의 표본 복잡도를 달성하는 새로운 최적화 알고리즘을 개발한다.
• 사용자 및 아이템 선호도에 그래프 기반의 매끄러움 제약 조건을 통합하는 구조적 학습 프레임워크를 활용한다.
• 계산 효율성을 확보하면서도 이론적 보장을 유지하기 위해 볼록 근사 기법을 사용한다.
• 모델 오차 및 그래프 구조의 노이즈를 처리하기 위한 강건성 메커니즘을 통합한다.

실험 결과

연구 질문

• RQ1 그래프 보조 정보가 제공될 때, 이산값을 가진 선호도 추정의 최적 표본 복잡도는 무엇인가?
• RQ2 어떻게 임의의 이산값을 가진 선호도 행렬을 모델링하면서도 이론적 보장을 유지할 수 있는가?
• RQ3 완화된 가정 하에서 최적의 표본 복잡도를 달성하는 알고리즘을 설계할 수 있는가?
• RQ4 제안된 방법은 그래프 보조 정보의 오류에 얼마나 강건한가?
• RQ5 제안된 방법은 실무에서 기존 알고리즘을 능가하는가?

주요 결과

• 이 논문은 이론적 가정을 완화한 하에서 그래프 보조 정보를 갖는 이산값 선호도 행렬에 대한 최적 표본 복잡도를 처음으로 규명한다.
• 제안된 알고리즘이 논문에서 유도한 하한선과 정확히 일치하는 이론적 최적 표본 복잡도를 달성한다.
• 알고리즘은 모델 오차에 강건하여 그래프 구조가 불완전하더라도 뛰어난 성능을 유지한다.
• 실증 평가 결과, 합성 및 실세계 데이터 양쪽에서 기존 방법들에 비해 일관된 성능 향상을 보였다.
• 해당 방법은 효율적으로 확장되며, 선호도 행렬에 대한 이전의 제한적인 가정이 완화됨에도 불구하고 강력한 일반화 성능을 유지한다.