[논문 리뷰] Explainable Recommendation: Theory and Applications

Yongfeng Zhang|arXiv (Cornell University)|2017. 08. 21.

Recommender Systems and Techniques참고 문헌 290인용 수 10

한 줄 요약

이 논문은 데이터, 모델, 경제적 설명 가능성을 다루며 설명 가능한 추천을 위한 종합적인 프레임워크를 제안한다. 해석 가능한 공동 필터링을 위한 로컬라이제이션된 행렬 분해(LMF), 문장 수준의 감성 분석을 활용한 특성별 사용자 의견을 추출하는 명시적 요인 모델(EFM), 그리고 경제 이론에 기반한 총잉여 최적화(TSM) 프레임워크를 도입한다. 주요 기여는 설명 가능하고 사용자 중심적인 설명을 통해 추천 시스템의 투명성과 신뢰도를 향상시키는 통합적 접근이다.

ABSTRACT

Although personalized recommendation has been investigated for decades, the wide adoption of Latent Factor Models (LFM) has made the explainability of recommendations a critical issue to both the research community and practical application of recommender systems. For example, in many practical systems the algorithm just provides a personalized item recommendation list to the users, without persuasive personalized explanation about why such an item is recommended while another is not. Unexplainable recommendations introduce negative effects to the trustworthiness of recommender systems, and thus affect the effectiveness of recommendation engines. In this work, we investigate explainable recommendation in aspects of data explainability, model explainability, and result explainability, and the main contributions are as follows: 1. Data Explainability: We propose Localized Matrix Factorization (LMF) framework based Bordered Block Diagonal Form (BBDF) matrices, and further applied this technique for parallelized matrix factorization. 2. Model Explainability: We propose Explicit Factor Models (EFM) based on phrase-level sentiment analysis, as well as dynamic user preference modeling based on time series analysis. In this work, we extract product features and user opinions towards different features from large-scale user textual reviews based on phrase-level sentiment analysis techniques, and introduce the EFM approach for explainable model learning and recommendation. 3. Economic Explainability: We propose the Total Surplus Maximization (TSM) framework for personalized recommendation, as well as the model specification in different types of online applications. Based on basic economic concepts, we provide the definitions of utility, cost, and surplus in the application scenario of Web services, and propose the general framework of web total surplus calculation and maximization.

연구 동기 및 목표

• 잠재 요인 모델의 설명 가능성 부족이 추천 시스템에서 사용자 신뢰를 약화시킨다는 문제를 해결하기 위해.
• 경계가 있는 블록 대각형 행렬(BBDF)을 사용한 로컬라이제이션된 행렬 분해를 통해 병렬화된 로컬라이제이션된 분해를 가능하게 함으로써 데이터 수준의 설명 가능성을 실현하기 위해.
• 문장 수준의 감성 분석을 통해 제품 특성에 대한 사용자 의견을 추출하고 시간 시리즈 기법을 활용해 동적인 사용자 선호도를 모델링함으로써 모델 수준의 설명 가능성을 달성하기 위해.
• 웹 서비스 추천 환경에서의 효용, 비용, 잉여를 정의함으로써 경제 이론에 기반한 총잉여 최적화(TSM) 프레임워크를 통해 경제적 설명 가능성을 확립하기 위해.
• 데이터, 모델, 경제적 차원에서 이론과 응용을 통합하여 종단 간 설명 가능한 추천을 위한 통합적 프레임워크를 구축하기 위해.

제안 방법

• 경계가 있는 블록 대각형(BBDF) 행렬을 사용한 로컬라이제이션된 행렬 분해(LMF)를 제안하여, 더 나은 데이터 수준의 설명 가능성을 위한 로컬라이제이션되고 병렬화된 행렬 분해를 가능하게 한다.
• 사용자 리뷰의 문장 수준 감성 분석을 활용해 특성별 사용자 의견을 추출하고 사용자 선호도를 명시적으로 모델링하는 명시적 요인 모델(EFM)을 도입한다.
• 시간 시리즈 분석을 활용해 시간에 따라 변화하는 사용자 선호도를 모델링함으로써, 사용자 감성과 관심 변화의 시간적 추적을 통해 모델 설명 가능성을 향상시킨다.
• 경제 원리에 기반한 총잉여 최적화(TSM) 프레임워크를 개발하여 웹 서비스 환경에서의 효용, 비용, 잉여를 정의함으로써 추천 최적화를 이끌어내는 데 기여한다.
• LMF, EFM, TSM의 세 구성 요소를 통합하여 투명하고 개인화되며 경제적으로 타당한 추천을 지원하는 통합 아키텍처를 구축한다.
• 실세계 추천 시나리오에 프레임워크를 적용하여, 모델 사양화와 잉여 최적화를 통해 다양한 온라인 응용 분야에의 적응 가능성을 입증한다.

실험 결과

연구 질문

• RQ1 어떻게 로컬라이제이션된 분해와 구조화된 행렬 형태를 활용하여 공동 필터링을 더 해석 가능하게 만들 수 있는가?
• RQ2 문장 수준의 감성 분석은 특정 제품 특성에 대한 사용자 의견을 연결함으로써 모델의 설명 가능성을 얼마나 향상시킬 수 있는가?
• RQ3 시간에 따라 변화하는 사용자 선호도는 어떻게 모델링할 수 있으며, 이를 통해 추천 결정의 해석 가능성을 어떻게 향상시킬 수 있는가?
• RQ4 효용과 잉여 최적화와 같은 경제 원리는 어떻게 형식화하고, 더 신뢰할 수 있는 추천 시스템 설계에 적용할 수 있는가?
• RQ5 데이터, 모델, 경제적 설명 가능성을 어떻게 통합하여 실용적인 구현을 위한 통합 프레임워크로 만들 수 있는가?

주요 결과

• 로컬라이제이션된 행렬 분해(LMF) 프레임워크는 경계가 있는 블록 대각형(BBDF) 행렬을 사용하여 효율적이고 병렬화된 행렬 분해를 가능하게 하여 잠재 요인 모델의 확장성과 해석 가능성을 향상시킨다.
• 명시적 요인 모델(EFM)은 문장 수준의 감성 분석을 통해 텍스트 리뷰에서 특성별 사용자 의견을 성공적으로 추출하여 추천에 대한 세부적이고 특성 수준의 설명을 가능하게 한다.
• 시간 시리즈 분석을 활용한 동적 사용자 선호도 모델링은 변화하는 사용자 관심사를 포착하여 추천이 시간에 따라 적응하고 변화를 정당화할 수 있도록 한다.
• 총잉여 최적화(TSM) 프레임워크는 추천에 대한 공식적인 경제적 기반을 제공하며, 웹 서비스 환경에서의 효용과 비용을 정의하고 잉여 기반 최적화를 가능하게 한다.
• LMF, EFM, TSM을 통합한 통합 프레임워크는 다양한 응용 분야에서 신뢰할 수 있고 투명하며 개인화된 추천 시스템을 구축하는 데의 가능성을 입증한다.
• 제안된 프레임워크는 169페이지 분량의 연구를 통해 검증되었으며, 모든 구성 요소가 실세계 추천 시스템에 실용적으로 구현 가능하도록 설계되었다.