[논문 리뷰] From Group Recommendations to Group Formation

Senjuti Basu Roy, Laks V. S. Lakshmanan외 1명|arXiv (Cornell University)|2015. 03. 11.

Mobile Crowdsensing and Crowdsourcing참고 문헌 26인용 수 14

한 줄 요약

이 논문은 최소 고통(Least Misery, LM) 및 집합 투표(Aggregate Voting, AV)라는 두 가지 표준 그룹 추천 의미 체계 하에서 사용자 만족도를 극대화하기 위해 추천 시스템 내 그룹 편성 전략 프레임워크를 제안한다. LM에 대해서는 GRD-LM-SUM와 같은 효율적인 알고리즘을, AV에 대해서는 히우리스틱 방법을 도입하여 오차가 제한되거나 높은 확장성을 확보하였으며, 실제 데이터셋을 대상으로 검증된 결과, 즉각적 또는 유사도 기반 그룹 편성 방식보다 높은 만족도를 달성하였다.

ABSTRACT

There has been significant recent interest in the area of group recommendations, where, given groups of users of a recommender system, one wants to recommend top-k items to a group that maximize the satisfaction of the group members, according to a chosen semantics of group satisfaction. Examples semantics of satisfaction of a recommended itemset to a group include the so-called least misery (LM) and aggregate voting (AV). We consider the complementary problem of how to form groups such that the users in the formed groups are most satisfied with the suggested top-k recommendations. We assume that the recommendations will be generated according to one of the two group recommendation semantics - LM or AV. Rather than assuming groups are given, or rely on ad hoc group formation dynamics, our framework allows a strategic approach for forming groups of users in order to maximize satisfaction. We show that the problem is NP-hard to solve optimally under both semantics. Furthermore, we develop two efficient algorithms for group formation under LM and show that they achieve bounded absolute error. We develop efficient heuristic algorithms for group formation under AV. We validate our results and demonstrate the scalability and effectiveness of our group formation algorithms on two large real data sets.

연구 동기 및 목표

• 즉각적 또는 유사도 기반 그룹 편성 방식을 전제로 하는 그룹 추천 시스템의 격차를 해소하기 위해, 사용자 만족도를 극대화하기 위한 최적의 그룹 구성 방식을 고려한다.
• LM 또는 AV와 같은 기존의 그룹 추천 의미 체계를 따를 때, 집합적 사용자 만족도를 극대화하는 최적화 문제로 그룹 편성 문제를 수식화한다.
• LM 및 AV 의미 체계 모두에서 유한 오차 또는 높은 성능을 달성하는 효율적이고 확장 가능한 알고리즘을 개발하며, 히우리스틱이나 유사도 지표에 의존하지 않는다.
• 사용자 선호가 유사한 인구통계적 특성을 공유하더라도 상이한 경우에 전략적 그룹 편성이 기존 방법보다 훨씬 높은 만족도를 달성함을 검증한다.
• 기존 추천 시스템에 영향을 주지 않고도 통합할 수 있는 비침습적, 플러그인 방식의 솔루션을 제공하여 추천 의미 체계를 변경하지 않고도 적용 가능하게 한다.

제안 방법

• LM 및 AV 의미 체계 하에서 정수계획법(Integer Programming, IP) 모델을 사용하여 그룹 편성 문제를 수식화하며, 사용자를 그룹에 할당하고 상위-k 항목을 선택하기 위한 이진 변수를 사용한다.
• LM의 경우, 상위-k 항목 중에서 k번째 항목의 점수가 각 그룹 내에서 최소가 되도록 제약 조건을 도입하고, 최소 사용자 만족도를 극대화하기 위해 최소 집합 평균 목적함수를 사용한다.
• AV의 경우, 목적함수를 그룹 내 사용자 간 점수의 합으로 수정하고, 집합적 만족도를 극대화하기 위해 합집합 평균 함수를 사용한다.
• GRD-LM-SUM은 만족도 향상의 경계 증가량을 기반으로 사용자를 반복적으로 그룹에 할당함으로써 유한 절대 오차를 확보하는 탐욕 알고리즘으로, 효율적인 히우리스틱을 개발하였다.
• AV 의미 체계 하에서 대규모 데이터셋에 확장 가능한 히우리스틱 알고리즘을 제안하며, 높은 집합적 항목 점수를 가진 사용자 그룹을 우선순위로 정렬하고, 정렬 및 탐욕적 할당을 활용한다.
• 두 단계 접근법을 사용한다: 첫 번째 단계에서는 선택된 의미 체계 하에서 사용자-항목 점수를 계산하고, 두 번째 단계에서는 사용자를 ℓ개의 상호배타적 그룹으로 분할하여 총 만족도를 극대화하는 그룹 편성 알고리즘을 적용한다.

실험 결과

연구 질문

• RQ1 최소 고통(LM) 또는 집합 투표(AV)와 같은 기존의 그룹 추천 의미 체계를 사용할 때, 추천 시스템 내에서 사용자를 체계적으로 그룹화하여 만족도를 극대화할 수 있는가?
• RQ2 LM 의미 체계 하에서 성능 보장을 갖는 효율적인 알고리즘을 설계할 수 있는가?
• RQ3 AV 의미 체계 하에서 대규모 데이터셋에 효과적으로 확장되면서도 높은 만족도를 유지할 수 있는 히우리스틱 전략은 무엇인가?
• RQ4 전략적 그룹 편성은 즉각적 또는 유사도 기반 그룹 편성 방식과 비교해 사용자 만족도 및 확장성 측면에서 어떻게 다를까?
• RQ5 그룹 추천 의미 체계를 그룹 편성 단계에 통합할 경우, 기존의 의미 체계와 별개로 처리하는 히우리스틱 과정에 비해 전체 시스템 성능은 얼마나 향상되는가?

주요 결과

• LM 및 AV 의미 체계 하에서의 그룹 편성 문제는 모두 NP-난이도임이 증명되었으며, 이는 효율적인 근사 및 히우리스틱 알고리즘의 필요성을 정당화한다.
• LM에 대한 GRD-LM-SUM 알고리즘은 유한 절대 오차를 확보하여, 대규모 환경에서도 최적해와 예측 가능한 오차 범위 내에 존재함을 보장한다.
• 두 개의 대규모 실세계 데이터셋에서 제안된 알고리즘이 높은 확장성을 보이며, 즉각적 또는 유사도 기반 그룹 편성 방식보다 집합적 사용자 만족도 측면에서 뚜렷이 뛰어난 성능을 보였다.
• 예시 B.11에서 GRD-LM-SUM는 목적값 20을 달성하였고, 최적해는 21에 도달하여 히우리스틱이 최적해에 매우 가까운 1점의 격차만을 보였다.
• 이 프레임워크는 선호가 충돌하는 사용자를 같은 그룹에 배치하는 등 비최적의 그룹 편성을 방지함으로써, 잘못된 항목 추천으로 인한 불만족을 줄여 만족도를 향상시킨다.
• 결과는 그룹 추천 의미 체계를 그룹 편성 단계에 직접 통합할 경우, 기존의 인구통계나 선호도 유사도에 의존하는 전통적 방법보다 더 나은 성과를 낸다는 것을 확인한다.