[논문 리뷰] Explainable Restricted Boltzmann Machines for Collaborative Filtering

Behnoush Abdollahi, Olfa Nasraoui|arXiv (Cornell University)|2016. 06. 22.

Generative Adversarial Networks and Image Synthesis참고 문헌 9인용 수 26

한 줄 요약

이 논문은 평점 예측과 설명 가능성(해석 가능성)을 하나의 학습 목표에 통합한 설명 가능한 제한된 볼츠만 기계(Explainable Restricted Boltzmann Machine, E-RBM)를 제안한다. 사용자 기반 이웃 스타일의 설명 가능성 점수를 추가적인 가시층으로 통합함으로써, 외부 데이터에 의존하지 않고도 정확하고 해석 가능한 추천을 생성한다. 이는 정확도 및 설명 가능성 메트릭 모두에서 기준 모델을 능가한다.

ABSTRACT

Most accurate recommender systems are black-box models, hiding the reasoning behind their recommendations. Yet explanations have been shown to increase the user's trust in the system in addition to providing other benefits such as scrutability, meaning the ability to verify the validity of recommendations. This gap between accuracy and transparency or explainability has generated an interest in automated explanation generation methods. Restricted Boltzmann Machines (RBM) are accurate models for CF that also lack interpretability. In this paper, we focus on RBM based collaborative filtering recommendations, and further assume the absence of any additional data source, such as item content or user attributes. We thus propose a new Explainable RBM technique that computes the top-n recommendation list from items that are explainable. Experimental results show that our method is effective in generating accurate and explainable recommendations.

연구 동기 및 목표

• 모델 기반 협업 필터링 시스템에서 예측 정확도와 해석 가능성 간의 상충 관계를 해결하기 위해.
• 항목 콘텐츠나 사용자 특성에 의존하지 않고 오직 사용자-항목 평점 데이터만을 사용하여 설명 가능한 추천을 생성하는 방법을 개발하기 위해.
• 설명 가능성 기능을 RBM 학습 과정에 직접 통합하여, 추천된 항목이 정확할 뿐 아니라 이웃 사용자 행동에 의해 정당화될 수 있도록 하기 위해.
• 사용자 간 유사도를 평점 공간에서 기반으로 하여 항목의 설명 가능성을 연결함으로써 투명하고 신뢰할 수 있는 추천을 가능하게 하기 위해.

제안 방법

• 사용자 기반 이웃 유사도에서 유도된 설명 가능성 점수를 나타내는 추가적인 가시층 'm'을 포함한 조건부 RBM을 도입한다.
• 설명 가능성 점수는 동일한 유사도를 가진 사용자 중에서 해당 항목에 대해 높은 평점을 부여한 비율로 계산되며, 사용자 평점 벡터 간 코사인 유사도를 사용한다.
• 숨은 단위, 가시 단위, 설명 가능성 단위의 조건부 확률 분포를 로지스틱 활성화 함수를 사용하여 모델링한다.
• 대trastive Divergence (CD)를 통해 학습을 수행하며, 기울기 업데이트를 통해 평점 예측(W를 통한)과 설명 가능성(D를 통한)을 동시에 최적화한다.
• 모델은 정확한 평점 예측과 높은 설명 가능성에 동시에 최적화하여, 추천된 항목이 잘 예측되었을 뿐 아니라 이웃 사용자 행동에 의해 정당화될 수 있도록 보장한다.
• 설명은 사용자에게 친화적인 형식으로 생성된다: '유사한 사용자 중 X명이 이 항목을 높게 평가함'.

실험 결과

연구 질문

• RQ1 오직 평점 데이터만을 사용하여 정확한 추천을 제공하면서도 설명 가능한 RBM 기반 협업 필터링 모델을 설계할 수 있는가?
• RQ2 외부 데이터 소스 없이 설명 가능성 기능을 RBM 학습 과정에 정량적으로 통합할 수 있는가?
• RQ3 설명 가능성 기능을 RBM 학습 목표에 통합함으로써 기준 모델 대비 추천 정확도와 설명 가능성 모두가 향상되는가?
• RQ4 항목 특성이나 사용자 인구통계학적 정보에 의존하지 않고도 오직 평점 패턴만으로 사용자 기반 이웃 스타일의 설명을 효과적으로 생성할 수 있는가?

주요 결과

• 은닉 유닛 수 f > 20일 경우, 설명 가능한 RBM(E-RBM)은 표준 RBM 및 기타 기준 모델 대비 RMSE 측면에서 뛰어난 성능을 보였다.
• f < 20일 경우 E-RBM은 다른 방법들보다 더 높은 nDCG@10 성능을 기록하여 우수한 상위-n 추천 성능을 입증하였다.
• 모델은 평균 설명 가능성 정밀도(Mean Explainability Precision, MEP)와 평균 설명 가능성 재현도(Mean Explainability Recall, MER)를 크게 향상시켜 추천된 항목의 설명 가능성 향상을 입증하였다.
• 테스트 사용자에 대해 상위 3개의 추천 항목은 '10명의 유사 사용자 중 8명이 이 영화를 4점 이상으로 평가함'과 같은 유효한 사용자 기반 이웃 스타일의 설명을 동반하였다.
• 외부 데이터를 요구하지 않으면서도 RBM 프레임워크에 설명 가능성 기능을 성공적으로 통합하였고, 높은 예측 정확도를 유지하였다.