[논문 리뷰] FeedRec: News Feed Recommendation with Various User Feedbacks

Chuhan Wu, Fangzhao Wu외 2명|arXiv (Cornell University)|2021. 02. 09.

Recommender Systems and Techniques인용 수 8

한 줄 요약

FeedRec는 클릭, 스킵, 공유, 싫어요, 완료 동작, 빠른 닫힘 등의 다양한 사용자 피드백을 활용하여 뉴스 피드 추천을 위한 통합 프레임워크를 제안한다. 이를 통해 사용자 관심 모델링과 참여도 인식 학습을 향상시킨다. 강한 피드백에서 약한 피드백으로의 어텐션 distillation과 다중 피드백 학습을 통해 실제 데이터 기반으로 클릭 예측 및 사용자 참여도 지표를 모두 향상시킨다.

ABSTRACT

Accurate user interest modeling is important for news recommendation. Most existing methods for news recommendation rely on implicit feedbacks like click for inferring user interests and model training. However, click behaviors usually contain heavy noise, and cannot help infer complicated user interest such as dislike. Besides, the feed recommendation models trained solely on click behaviors cannot optimize other objectives such as user engagement. In this paper, we present a news feed recommendation method that can exploit various kinds of user feedbacks to enhance both user interest modeling and model training. We propose a unified user modeling framework to incorporate various explicit and implicit user feedbacks to infer both positive and negative user interests. In addition, we propose a strong-to-weak attention network that uses the representations of stronger feedbacks to distill positive and negative user interests from implicit weak feedbacks for accurate user interest modeling. Besides, we propose a multi-feedback model training framework to learn an engagement-aware feed recommendation model. Extensive experiments on a real-world dataset show that our approach can effectively improve the model performance in terms of both news clicks and user engagement.

연구 동기 및 목표

• 클릭 중심 피드백의 한계를 해결하여 좋아요, 싫어요와 같은 복잡한 사용자 관심을 모델링하기 위해.
• 강도가 다른 다양한 피드백 유형(명시적 및 암시적 신호 포함)을 통합하여 사용자 관심 모델링을 향상시키기 위해.
• 클릭률을 넘어서 사용자 참여도를 최적화하는 학습 프레임워크를 개발하기 위해.
• 다양한 피드백 유형 간의 관련성을 모델링하고 노이즈가 많은 암시적 피드백에서 정확한 긍정/부정 관심을 추출하기 위해.

제안 방법

• 클릭, 스킵, 공유, 싫어요, 완료, 빠른 닫힘 등의 다양한 피드백 유형을 하나의 표현으로 통합하는 통합 사용자 모델링 프레임워크.
• 강한 피드백(예: 싫어요, 완료)의 표현을 사용하여 약한 피드백(예: 클릭, 스킵)으로부터 정확한 긍정 및 부정 관심을 추출하는 강한-약한 어텐션 네트워크.
• 이질적 및 동질적 트랜스포머가 각각 피드백 간 상호관계와 피드백 내부 관계를 모델링한다.
• 클릭 예측, 완료 예측, 체류 시간 예측을 동시에 최적화하여 참여도 인식 표현을 학습하는 다중 피드백 학습 프레임워크.
• 피드백 임베딩, 체류 시간 임베딩, 위치 임베딩, 시간 간격 임베딩을 사용하여 뉴스 인코더 표현을 풍부하게 한다.
• 클릭, 완료, 긍정-부정 분리 목적 함수 간 균형을 맞추기 위해 학습 가능한 계수(α, β, γ)를 사용하여 손실 함수를 가중한다.

Figure 1. An example of various user feedbacks on a news feed platform.

실험 결과

연구 질문

• RQ1 강도가 다른 다양한 사용자 피드백을 어떻게 효과적으로 통합된 사용자 모델링 프레임워크에 통합할 수 있는가?
• RQ2 강한 피드백(예: 싫어요, 완료)을 활용하여 약한 피드백(예: 클릭)으로부터의 긍정/부정 관심 추론 정확도를 향상시킬 수 있는가?
• RQ3 다중 피드백 학습이 클릭 기반 최적화를 넘어서 참여도 향상에 얼마나 기여하는가?
• RQ4 어느 피드백 유형과 임베딩이 모델 성능 향상에 가장 기여하는가?

주요 결과

• 제안된 강한-약한 어텐션 메커니즘이 노이즈가 많은 암시적 피드백에서 사용자 관심을 더 정확하게 추출함으로써 모델 성능을 크게 향상시킨다.
• 클릭, 완료, 체류 시간 예측을 동시에 학습하는 것이 클릭 중심 학습보다 성능이 뛰어나며, 이는 참여도 인식 능력 향상을 시사한다.
• 피드백 임베딩이 가장 중요한 특징이며, 이어 체류 시간 임베딩이 중요하다. 이들은 사용자 만족도 및 관심 추론에 핵심적인 신호를 제공한다.
• 빠른 닫힘을 식별하기 위한 최적의 체류 시간 임계값은 10초이며, 이는 부정적 신호를 잘 포착하면서도 긍정적 신호를 잘못 분류하지 않도록 균형을 이룬다.
• 최고의 성능을 내는 손실 계수 조합은 α=0.2(완료), β=0.15(체류 시간), γ=0.2(긍정-부정 분리)이며, 이는 다양한 작업 간 균형 잡힌 최적화를 의미한다.

Figure 2. The user modeling framework of our FeedRec approach.