[논문 리뷰] Generation Meets Recommendation: Proposing Novel Items for Groups of Users

Vinh Vo Thanh, Harold Soh|arXiv (Cornell University)|2018. 08. 02.

Computational and Text Analysis Methods인용 수 7

한 줄 요약

이 논문은 사용자 그룹에 맞는 새로운, 바람직한 아이템을 생성하기 위해 깊이 있는 생성 모델—특히 협업적 변분 오토인코더(Collaborative Variational Autoencoder, VAE)—를 활용하여 사용자-아이템 평가와 아이템 특징에서 공유 잠재 공간을 학습하는 통합 프레임워크를 제안한다. 이 방법은 잠재 공간에서 탐욕적 가중 최대 커버리지 알고리즘을 적용하여 K개의 높은 커버리지, 새로운 아이템 후보를 동시에 식별하며, Movielens Tag Genome와 같은 합성 및 실세계 데이터셋에서 뛰어난 성능을 보였다. 여기서 생성된 영화 '게놈'들은 다양하고 대규모 사용자 집단에 의해 높은 평가를 받았다.

ABSTRACT

Consider a movie studio aiming to produce a set of new movies for summer release: What types of movies it should produce? Who would the movies appeal to? How many movies should it make? Similar issues are encountered by a variety of organizations, e.g., mobile-phone manufacturers and online magazines, who have to create new (non-existent) items to satisfy groups of users with different preferences. In this paper, we present a joint problem formalization of these interrelated issues, and propose generative methods that address these questions simultaneously. Specifically, we leverage the latent space obtained by training a deep generative model---the Variational Autoencoder (VAE)---via a loss function that incorporates both rating performance and item reconstruction terms. We then apply a greedy search algorithm that utilizes this learned latent space to jointly obtain K plausible new items, and user groups that would find the items appealing. An evaluation of our methods on a synthetic dataset indicates that our approach is able to generate novel items similar to highly-desirable unobserved items. As case studies on real-world data, we applied our method on the MART abstract art and Movielens Tag Genome dataset, which resulted in promising results: small and diverse sets of novel items.

연구 동기 및 목표

• 기존 아이템만 추천하는 추천 시스템의 한계를 보완하기 위해, 사용자 그룹에 맞는 새로운 존재하지 않는 아이템을 생성하는 프레임워크를 제안한다.
• 낮은 차원의 잠재 공간에서 최대 커버리지 문제의 변종으로서, 공동의 새로운 아이템 생성과 사용자 그룹 타겟팅 문제를 수식화한다.
• 평가 데이터와 아이템 특징을 모두 활용하여 실제적이며 높은 평점을 받을 가능성이 높은 새로운 아이템을 생성하는 데이터 기반의 생성적 접근법을 개발한다.
• 합성 데이터와 실세계 데이터셋(Movielens Tag Genome, MART 추상 예술 등)에서의 평가를 통해, 다양하고 높은 커버리지의 아이템 후보를 생성할 수 있음을 입증한다.
• 창의적 및 제조 분야에서 지능적인 아이템 제안을 위한 깊이 있는 생성 모델의 타당성과 효율성을 탐색한다.

제안 방법

• 사용자-아이템 평가와 아이템 특징을 동시에 학습하여 공유된 저차원 잠재 공간을 학습하는 협업적 변분 오토인코더(VAE)를 활용한다.
• 에너드어를 사용해 기존 아이템을 잠재 공간으로 매핑하고, 디코더를 통해 잠재 벡터에서 아이템 특징을 재구성함으로써 새로운 아이템 생성을 가능하게 한다.
• 학습된 잠재 공간에서 탐욕적 가중 최대 커버리지 알고리즘을 적용하여 예측된 사용자 커버리지를 최대화하는 K개의 새로운 아이템을 동시에 선택한다.
• 각 후보 아이템이 사용자 그룹에 대해 예측된 매력도를 기반으로 평가되며, 커버리지는 임계값 τ 이상의 평점을 받는 사용자 수로 정의되는 제약 조건이 있는 최적화 문제로 제시된다.
• VAE 학습 중 평가 재구성과 아이템 특징 재구성의 조합을 고려한 하이브리드 손실 함수를 사용하여 사용자 선호도와 아이템 콘텐츠 무결성을 모두 유지한다.
• 선형 모델과 깊이 있는 생성 모델을 모두 탐색하였으며, 깊이 있는 모델이 합성 실험에서 이상적이지만 누락된 아이템을 더 잘 재구성하는 것으로 나타났다.

실험 결과

연구 질문

• RQ1 깊이 있는 생성 모델이 사용자 선호도와 아이템 콘텐츠를 모두 반영하는 공유 잠재 공간을 효과적으로 학습하여 새로운 아이템 생성에 기여할 수 있는가?
• RQ2 학습된 잠재 공간에서 탐욕적 최대 커버리지 알고리즘이 대규모이고 다양한 사용자 그룹을 아우르는 K개의 새로운 아이템을 효과적으로 식별할 수 있는가?
• RQ3 합성 환경에서 깊이 있는 생성 모델의 성능이 선형 모델에 비해 매우 바람직한, 관측되지 않은 아이템을 얼마나 잘 재구성하는가?
• RQ4 제안된 방법이 Movielens Tag Genome 및 MART 추상 예술과 같은 실세계 데이터셋에서 현실적이고 다양한, 그리고 매우 높은 평점을 받는 새로운 아이템을 생성할 수 있는가?
• RQ5 제안된 프레임워크의 주요 설계적 트레이드오프와 민감도(예: 임계값 τ 또는 이산화)는 무엇인가?

주요 결과

• 합성 데이터셋에서 깊이 있는 생성 모델은 선형 모델보다 이상적인 누락된 아이템을 더 높은 정확도로 재구성하여 사용자 공간의 전체 커버리지가 향상되었다.
• 최상위로 생성된 영화 게놈(GM-1)은 예측 커버리지가 전체 사용자의 84%를 차지하여 광범위한 대중의 매력을 끌었다.
• 다섯 개의 생성된 영화 게놈은 총 예측 커버리지가 94%에 이르렀으며, 각각 기존에 커버되지 않은 사용자 세그먼트를 아우르는 데 기여했다.
• 생성된 영화 게놈은 다양하고 직관적인 특징을 지녔다: GM-1은 감성 드라마였고, GM-2는 어두운 유머를 담은 사회적 비판적 성격의 작품이었으며, GM-3는 대규모 제작비를 투입한 SF 액션 영화였다.
• 상위로 생성된 아이템 분석 결과, '매우 뛰어난 스크립트', '멘토', '스토리'와 같은 반복적인 고성능 태그가 나타나, 높은 평점을 받는 영화들이 공유하는 특징임을 확인했다.
• 이 방법은 다양한 세트 크기에서 강건성을 보였고, 임계값 τ와 이산화에 민감함을 보이며, 상호작용 가능하고 파rameterized 브레인스토밍에의 잠재적 응용 가능성을 시사했다.