[논문 리뷰] Explainable Social Contextual Image Recommendation with Hierarchical Attention.

Le Wu, Yong Ge외 5명|arXiv (Cornell University)|2018. 06. 03.

Recommender Systems and Techniques참고 문헌 29인용 수 3

한 줄 요약

이 논문은 데이터 희소성 문제를 해결하고 사용자 선호도를 사용자-이미지 상호작용, 사회적 관계, 이미지 콘텐츠의 세 가지 맥락적 측면을 통해 모델링하는 설명 가능한 사회적 맥락 기반 이미지 추천을 위한 계층적 어텐션 모델을 제안한다. 이질적인 데이터에서 핵심 요소를 추출하기 위해 바닥에서부터 어텐션을 적용하고, 각 맥락적 측면의 중요도를 가중하기 위해 상단에서부터 어텐션을 적용함으로써, 모델은 추천 정확도를 향상시키고 학습된 어텐션 스코어를 통해 해석 가능한 설명을 제공하며, 실세계 데이터셋에서 기존 방법들을 능가한다.

ABSTRACT

Image based social networks are among the most popular social networking services in recent years. With tremendous images uploaded everyday, understanding users' preferences to the user-generated images and recommending them to users have become an urgent need. However, this is a challenging task. On one hand, we have to overcome the extremely data sparsity issue in image recommendation. On the other hand, we have to model the complex aspects that influence users' preferences to these highly subjective content from the heterogeneous data. In this paper, we develop an explainable social contextual image recommendation model to simultaneously explain and predict users' preferences to images. Specifically, in addition to user interest modeling in the standard recommendation, we identify three key aspects that affect each user's preference on the social platform, where each aspect summarizes a contextual representation from the complex relationships between users and images. We design a hierarchical attention model in recommendation process given the three contextual aspects. Particularly, the bottom layered attention networks learn to select informative elements of each aspect from heterogeneous data, and the top layered attention network learns to score the aspect importance of the three identified aspects for each user. In this way, we could overcome the data sparsity issue by leveraging the social contextual aspects from heterogeneous data, and explain the underlying reasons for each user's behavior with the learned hierarchial attention scores. Extensive experimental results on real-world datasets clearly show the superiority of our proposed model.

연구 동기 및 목표

• 사용자 생성 이미지의 높은 양과 주관성으로 인해 발생하는 이미지 추천의 데이터 희소성 문제를 해결한다.
• 이미지 기반 소셜 네트워크에서 사회적, 콘텐츠적, 상호작용적 요인에 의해 영향을 받는 복잡하고 이질적인 사용자 선호도를 모델링한다.
• 사용자 선호도를 정확하게 예측할 뿐 아니라 각 예측에 대해 해석 가능한 설명을 제공하는 추천 시스템을 개발한다.
• 추천 과정에 사회적 맥락적 요소를 통합하여 성능 향상과 설명 가능성 향상을 도모한다.

제안 방법

• 사용자 선호도에 영향을 주는 세 가지 핵심 맥락적 측면을 식별한다: 사용자-이미지 상호작용, 사회적 관계, 이미지 콘텐츠 표현.
• 각 세 가지 맥락적 측면에 대해 이질적 데이터에서 정보적인 요소를 추출하기 위해 하위 레이어 어텐션 네트워크를 적용한다.
• 개별 사용자에 대해 각 맥락적 측면의 중요도를 동적으로 평가하기 위해 상위 레이어 어텐션 네트워크를 사용한다.
• 모든 맥락적 측면의 어텐션 적용된 표현을 통합하여 개인화된 이미지 추천을 생성한다.
• 사용자와 이미지 간의 맥락적 관계를 활용하여 데이터 희소성을 줄이기 위해 계층적 어텐션을 활용한다.
• 추천 정확도와 설명의 정확성 모두를 동시에 최적화하기 위해 모델을 엔드 투 엔드로 훈련시킨다.

실험 결과

연구 질문

• RQ1 극도의 데이터 희소성 하에서 이미지 추천 시스템에서 사용자 선호도를 효과적으로 모델링할 수 있는 방법은 무엇인가?
• RQ2 사회적 이미지 플랫폼에서 사용자 선호도에 크게 영향을 주는 핵심 맥락적 측면은 무엇인가?
• RQ3 계층적 어텐션 메커니즘은 추천 성능 향상과 함께 해석 가능한 설명을 제공하는 데 어떻게 활용될 수 있는가?
• RQ4 사회적, 콘텐츠적, 상호작용적 맥락은 이미지 추천에서 사용자 선호도 예측에 얼마나 기여하는가?

주요 결과

• 제안된 계층적 어텐션 모델은 실세계 데이터셋에서 기준 방법들보다 뛰어난 추천 성능을 달성한다.
• 모델은 이질적인 사용자 및 이미지 데이터의 맥락적 표현을 활용하여 데이터 희소성을 효과적으로 완화한다.
• 상위 레이어 어텐션 메커니즘은 각 사용자에게 가장 관련성이 높은 맥락적 측면을 성공적으로 식별하고 가중치를 매겨 해석 가능한 예측을 가능하게 한다.
• 하위 레이어 어텐션 네트워크는 각 맥락적 측면으로부터 중요한 특징을 효과적으로 추출하여 표현 품질을 향상시킨다.
• 광범위한 실험을 통해 모델이 정확도와 해석 가능성 모두에서 기존 접근 방식을 능가함을 확인할 수 있다.
• 학습된 어텐션 스코어는 특정 이미지가 왜 사용자에게 추천되었는지에 대한 의미 있는 통찰을 제공하여 투명성을 향상시킨다.