[논문 리뷰] Domain-to-Domain Translation Model for Recommender System

Linh Thuy Thi Nguyen, Tsukasa Ishigaki|arXiv (Cornell University)|2018. 12. 15.

Recommender Systems and Techniques참고 문헌 19인용 수 4

한 줄 요약

이 논문은 사용자 상호작용 이력에서 공통(동질적) 및 도메인별(이질적) 특징을 동시에 학습하기 위해 변동형 오토인코더(VAE), 생성적 적대적 네트워크(GAN), 사이클 일致성(CC)을 활용하는 다중도메인 추천 시스템을 위한 도메인 간 번역 모델(D2D-TM)을 제안한다. 이 모델은 실제 데이터셋에서 Recall@50 기준 기존 방법 대비 최대 129% 향상된 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Recently multi-domain recommender systems have received much attention from researchers because they can solve cold-start problem as well as support for cross-selling. However, when applying into multi-domain items, although algorithms specifically addressing a single domain have many difficulties in capturing the specific characteristics of each domain, multi-domain algorithms have less opportunity to obtain similar features among domains. Because both similarities and differences exist among domains, multi-domain models must capture both to achieve good performance. Other studies of multi-domain systems merely transfer knowledge from the source domain to the target domain, so the source domain usually comes from external factors such as the search query or social network, which is sometimes impossible to obtain. To handle the two problems, we propose a model that can extract both homogeneous and divergent features among domains and extract data in a domain can support for other domain equally: a so-called Domain-to-Domain Translation Model (D2D-TM). It is based on generative adversarial networks (GANs), Variational Autoencoders (VAEs), and Cycle-Consistency (CC) for weight-sharing. We use the user interaction history of each domain as input and extract latent features through a VAE-GAN-CC network. Experiments underscore the effectiveness of the proposed system over state-of-the-art methods by a large margin.

연구 동기 및 목표

• 다중도메인 추천 시스템에서 공통 및 도메인별 특징을 동시에 포착하는 문제 해결.
• 냉각 시작 및 크로스셀링 시나리오에서 실패하는 단일도메인 모델의 한계를 극복.
• 지식 전이를 위해 외부 데이터 소스(예: 소셜 네트워크 또는 검색 쿼리)에 의존하지 않도록 함.
• 사용자 상호작용 이력만을 사용하여 이중 방향 도메인 번역과 종단 간 학습을 가능하게 함.
• 최소한의 재학습으로도 실용적 구현에 적합한 강건하고 확장 가능한 프레임워크 개발

제안 방법

• 각 도메인 내 사용자 상호작용 벡터의 잠재 표현을 학습하기 위해 VAE 통합.
• 생성된 클릭 벡터의 현실성 확보 및 VAE 과적합 방지를 위해 GAN 활용.
• 고수준 인코더 및 생성기 레이어에서 가중치 공유를 통한 사이클 일치성(CC) 적용으로 도메인 간 이중 방향 번역 강제.
• 마지막 인코더와 첫 번째 생성기 레이어에서 가중치를 공유하는 공통 잠재 공간을 통해 도메인 유사성 모델링.
• 이진 클릭 데이터와의 정렬을 향상시키기 위해 다항 로그우도 손실을 사용하여 모델을 종단 간으로 학습.
• 각 도메인별로 별도의 적대적 판별기 구현하여 번역된 벡터의 현실성 검증

실험 결과

연구 질문

• RQ1 통합 모델이 추천 시스템 내 여러 도메인에서 공통 및 이질적 특징을 효과적으로 동시에 학습할 수 있는가?
• RQ2 VAE-GAN-CC를 통한 공동 학습이 고립된 모델이나 표준 VAE 대비 성능 향상에 기여하는 정도는?
• RQ3 소셜 미디어나 검색 쿼리와 같은 외부 신호 없이도 모델이 도메인 간 일반화 능력을 얼마나 유지할 수 있는가?
• RQ4 재구성 손실의 선택(예: 다항 로그 손실 대비 L1/제곱 손실)이 클릭 데이터 성능에 미치는 영향은?
• RQ5 단방향 전이 대비 이중 방향 도메인 번역이 추천 정확도 향상에 기여하는가?

주요 결과

• D2D-TM 모델은 Health_Clothing 데이터셋에서 Multi-VAE 대비 Recall@50 기준 44.8% 향상되었다.
• CDL의 하이브리드 설계에도 불구하고, 다양한 도메인 쌍에서 CDL 대비 Recall@50 기준 17.9%에서 최대 129% 향상되었다.
• CC와 GAN 통합 덕분에 건강 및 개인 관리 도메인에서 VAE 전용 기반 모델 대비 8.1% 향상되었다.
• 다항 로그우도 손실이 클릭 데이터에서 L1, 제곱, 표준 로그우도 손실보다 가장 뛰어난 성능을 보였다.
• D2D-TM VAE_GAN 변종이 D2D-TM VAE_CC 변종보다 略적으로 더 우수한 성능을 기록하여 GAN의 강력한 정규화 효과를 시사한다.
• 희소한 사용자 상호작용 조건에서도 강건한 성능 유지를 보이며, 확장성과 낮은 재학습 필요성을 입증했다.