[논문 리뷰] Exploring Social Influence for Recommendation - A Probabilistic Generative Model Approach

Mao Ye, Xingjie Liu외 1명|arXiv (Cornell University)|2011. 09. 04.

Recommender Systems and Techniques참고 문헌 24인용 수 27

한 줄 요약

이 논문은 잠재 사용자 선호도, 항목 주제, 친구 기반 영향을 잠재 변수로 모델링함으로써 사회적 영향, 협업 필터링, 콘텐츠 기반 추천을 통합하는 통합 확률 생성 모델을 제안한다. 확률적 추론 기반 알고리즘과 Map-Reduce를 활용한 확장성 확보로, 특히 그룹 환경에서 추천 정확도가 크게 향상됨을 입증하였으며, 이는 체크인 네트워크(whrrl.com)에서의 사회적 영향력이 음악 플랫폼(last.fm)보다 더 강하다는 것을 시사한다.

ABSTRACT

In this paper, we propose a probabilistic generative model, called unified model, which naturally unifies the ideas of social influence, collaborative filtering and content-based methods for item recommendation. To address the issue of hidden social influence, we devise new algorithms to learn the model parameters of our proposal based on expectation maximization (EM). In addition to a single-machine version of our EM algorithm, we further devise a parallelized implementation on the Map-Reduce framework to process two large-scale datasets we collect. Moreover, we show that the social influence obtained from our generative models can be used for group recommendation. Finally, we conduct comprehensive experiments using the datasets crawled from last.fm and whrrl.com to validate our ideas. Experimental results show that the generative models with social influence significantly outperform those without incorporating social influence. The unified generative model proposed in this paper obtains the best performance. Moreover, our study on social influence finds that users in whrrl.com are more likely to get influenced by friends than those in last.fm. The experimental results also confirm that our social influence based group recommendation algorithm outperforms the state-of-the-art algorithms for group recommendation.

연구 동기 및 목표

• 사용자 행동에 대한 수시적 힌트를 넘어서 사회적 영향을 추천 시스템에 통합하는 통합 확률 생성 모델을 개발하는 것.
• 사용자-항목 상호작용 데이터에서 직접 관측되지 않는 은닉된 사회적 영향을 잠재 변수로 모델링하여 이에 대응하는 것.
• 실제 사회 네트워크에서의 대규모 데이터셋을 대상으로 학습 가능한 확장성 있는 알고리즘(EM 및 Map-Reduce)을 설계하는 것.
• 학습된 사회적 영향력을 활용해 기존의 집계 기반 전략을 초월하는 그룹 추천의 유용성을 입증하는 것.
• 양적 모델 출력을 기반으로 다양한 사회 네트워크(last.fm 대 whrrl.com) 간의 사회적 영향력 강도를 실증적으로 비교하는 것.

제안 방법

• 통합 모델은 사용자 선호도, 주제별 항목 생성 분포, 친구 기반 영향을 동시에 모델링하는 잠재 클래스 통계 혼합 모델이다.
• 사회적 영향은 사용자가 친구의 영향을 받아 항목을 선택할 확률을 나타내는 잠재 변수로 모델링되며, 개인적 선호에 기반하는 것과는 별개로 다루어진다.
• 사용자 선호도, 주제, 사회적 영향 등 잠재 변수를 포함한 모델 파라미터는 기대치 최대화(EM) 알고리즘을 통해 학습된다.
• last.fm 및 whrrl.com의 대규모 데이터셋에 대응하기 위해 Map-Reduce 프레임워크를 활용한 병렬화된 EM 구현체가 개발되었다.
• 개인 사용자의 영향력 점수를 활용해 항목을 그룹에 대해 순위 매기는 사회적 영향 기반 그룹 추천(SIG) 알고리즘이 제안되었다.
• 그룹 추천 성능 평가에 상대 순위 지표가 사용되었으며, 실제 그룹이 방문한 항목의 순위가 낮을수록 성능이 뛰어남을 의미한다.

실험 결과

연구 질문

• RQ1 추천 시스템의 확률 생성 프레임워크 내에서 사회적 영향을 잠재 변수로 효과적으로 모델링할 수 있는가?
• RQ2 사회적 영향을 포함한 모델은 이를 배제한 모델 대비 추천 정확도에서 얼마나 향상되는가?
• RQ3 사용 패턴이 다른 사회 네트워크(예: 음악 플랫폼 대 체크인 플랫폼) 간 사회적 영향력 강도는 어떻게 다를까?
• RQ4 생성 모델에서 학습된 사회적 영향력은 기존의 표준 집계 전략을 초월해 그룹 추천 성능을 향상시킬 수 있는가?
• RQ5 그룹 규모가 커질수록 사회적 영향력의 상대적 영향은 집단 의사결정 과정에서 어떻게 변화하는가?

주요 결과

• 사회적 영향을 배제한 모델에 비해 통합 확률 생성 모델이 유의미하게 뛰어난 성능을 보이며, 명시적 사회적 영향 모델링의 가치를 입증한다.
• 모든 평가 기준 모델 중에서 최고의 추천 성능을 기록하여, 사회적 영향을 협업 필터링 및 콘텐츠 기반 방법과 통합하는 것이 효과적임을 확인한다.
• whrrl.com 사용자는 last.fm 사용자보다 더 강한 사회적 영향력을 보이며, 평균 친구 수가 9.08명으로 last.fm의 1.91명보다 높고, 영향력이 집중된 소수의 친구가 주요 영향을 차지한다.
• 모든 그룹 규모에서 평균 및 최소 실망도 집계 전략보다 사회적 영향 기반 그룹 추천(SIG) 알고리즘이 뛰어난 성능을 보이며, 특히 소규모 그룹에서 가장 큰 향상이 이루어진다.
• 주제 수를 약 60으로 설정했을 때 SIG 알고리즘이 최적의 성능을 보이며, 이는 모델의 표현력과 일반화 능력 사이의 균형을 의미한다.
• 대규모 그룹에서는 개인의 친구 영향력이 감소하고, 공통된 선호도에 기반한 그룹 공감대가 의사결정의 주요 요소로 떠오른다.