[논문 리뷰] From Social Network to Semantic Social Network in Recommender System

Khaled Sellami, Mohamed Ahmed‐Nacer외 1명|arXiv (Cornell University)|2014. 07. 12.

Recommender Systems and Techniques참고 문헌 30인용 수 11

한 줄 요약

이 논문은 전통적인 협업 필터링을 개선하기 위해 의미 웹 기술과 사회망 분석을 통합함으로써 의미적 사회 추천 시스템을 제안한다. DBpedia 지식 기반에서 유저-아이템 상호작용에 의미적 메타데이터를 부여함으로써, 추천 정확도와 관련성을 향상시키며, 기준 방법에 비해 아마존 데이터셋 벤치마크에서 뛰어난 성능을 보여준다.

ABSTRACT

Due the success of emerging Web 2.0, and different social network Web sites such as Amazon and movie lens, recommender systems are creating unprecedented opportunities to help people browsing the web when looking for relevant information, and making choices. Generally, these recommender systems are classified in three categories: content based, collaborative filtering, and hybrid based recommendation systems. Usually, these systems employ standard recommendation methods such as artificial neural networks, nearest neighbor, or Bayesian networks. However, these approaches are limited compared to methods based on web applications, such as social networks or semantic web. In this paper, we propose a novel approach for recommendation systems called semantic social recommendation systems that enhance the analysis of social networks exploiting the power of semantic social network analysis. Experiments on real-world data from Amazon examine the quality of our recommendation method as well as the performance of our recommendation algorithms.

연구 동기 및 목표

• 전통적인 협업 필터링 및 콘텐츠 기반 추천 시스템의 한계를 의미적 이해를 통합함으로써 해결하고자 한다.
• 추천 시스템에서 사회망 분석과 의미 웹 기술 간 격차를 메우고자 한다.
• 사용자-아이템 상호작용에 의미적 메타데이터를 부여함으로써 추천 정확도와 관련성을 향상시키고자 한다.
• 의미적 사회 네트워크의 실세계 추천 시나리오에서의 효과성을 평가하고자 한다.
• 의미적 강화된 사회 네트워크가 기존 방법보다 더 나은 성능을 내는지 입증하고자 한다.

제안 방법

• 사용자-아이템 상호작용 데이터와 DBpedia의 의미적 메타데이터를 통합하여 의미적 사회 네트워크를 구축한다.
• DBpedia의 온톨로지와 엔티티 연결을 사용하여 사용자 프로필과 아이템 설명에 의미적 개념을 주석 처리한다.
• 간선이 사용자와 아이템 간의 사회적 관계와 의미적 유사도를 모두 나타내는 가중치가 부여된 그래프 모델을 구축한다.
• 사회적 영향력과 의미적 유사도 점수를 조합하는 하이브리드 알고리즘을 사용하여 추천을 생성한다.
• 지식 그래프 임베딩에서 유도된 의미적 거리로 개선된 수정된 협업 필터링 기법을 활용한다.
• 사회적 신뢰와 의미적 관련성을 통합된 추천 점수로 조합하기 위한 융합 전략을 사용한다.

실험 결과

연구 질문

• RQ1 사회망 기반 추천 시스템에 의미 웹 기술을 효과적으로 통합할 수 있는 방법은 무엇인가?
• RQ2 기존 협업 필터링에 비해 의미적 메타데이터를 추가함으로써 추천 정확도가 얼마나 향상되는가?
• RQ3 사용자와 아이템 간의 의미적 유사도가 추천의 관련성 향상에 기여하는가?
• RQ4 사회적 신뢰와 의미적 유사도의 융합이 추천 성능에 어떤 영향을 미치는가?
• RQ5 지식 그래프 강화가 실세계 추천 작업에 어떤 영향을 미치는가?

주요 결과

• 제안된 의미적 사회 추천 시스템은 아마존 데이터셋에서 기준 협업 필터링 방법에 비해 더 높은 정밀도와 재현율을 달성했다.
• DBpedia의 의미적 메타데이터를 통합함으로써 추천 품질이 크게 향상되었으며, 특히 쿨스타트 시나리오에서 두드러졌다.
• 사회적 신뢰와 의미적 유사도의 융합은 순수 협업 필터링 대비 F1 점수의 명확한 증가를 이끌어냈다.
• 의미적 강화를 통해 희소한 사용자-아이템 상호작용 데이터 처리에 대한 시스템의 강건성을 입증했다.
• 실험 결과 의미적 유사도가 사회적 연결성 외에도 추천의 관련성에 의미 있는 기여를 한다는 것이 확인되었다.
• 정확도와 커버리지 측면에서 표준 콘텐츠 기반 및 협업 필터링 접근법보다 본 방법이 뛰어난 성능을 보였다.