[논문 리뷰] GHRS: Graph-based Hybrid Recommendation System with Application to Movie Recommendation

Zahra Zamanzadeh Darban, Mohammad Hadi Valipour|arXiv (Cornell University)|2021. 11. 06.

Recommender Systems and Techniques참고 문헌 57인용 수 145

한 줄 요약

이 논문은 자동에코더 기반 특성 추출을 통해 사용자 평가 유사도, 인구통계학적 데이터, 위치 정보를 통합하는 그래프 기반 하이브리드 추천 시스템인 GHRS를 제안한다. 사용자 유사도 그래프를 구축하고 딥러닝을 활용해 저차원의 정보성 특징을 추출함으로써, GHRS는 MovieLens 데이터셋에서 최신 기술 수준의 성능을 달성하여 추천 정확도를 크게 향상시키고, RMSE가 0.833인 MovieLens 1M에서 냉동기초 문제를 효과적으로 해결한다.

ABSTRACT

Research about recommender systems emerges over the last decade and comprises valuable services to increase different companies' revenue. Several approaches exist in handling paper recommender systems. While most existing recommender systems rely either on a content-based approach or a collaborative approach, there are hybrid approaches that can improve recommendation accuracy using a combination of both approaches. Even though many algorithms are proposed using such methods, it is still necessary for further improvement. In this paper, we propose a recommender system method using a graph-based model associated with the similarity of users' ratings, in combination with users' demographic and location information. By utilizing the advantages of Autoencoder feature extraction, we extract new features based on all combined attributes. Using the new set of features for clustering users, our proposed approach (GHRS) has gained a significant improvement, which dominates other methods' performance in the cold-start problem. The experimental results on the MovieLens dataset show that the proposed algorithm outperforms many existing recommendation algorithms on recommendation accuracy.

연구 동기 및 목표

• 기존 협업 필터링과 콘텐츠 기반 필터링의 한계, 특히 냉동기초 문제를 해결하기 위해.
• 사용자 평가 패턴, 인구통계학적 데이터, 위치 정보를 통합한 유일한 모델을 통해 추천 정확도를 향상시키기 위해.
• 다양한 사용자 특성에서 효과적인 특성 추출을 위해 딥러닝, 특히 자동에코더를 활용하기 위해.
• 사용자 유사도를 포괄하는 그래프 기반 표현을 개발하여 클러스터링 성능을 향상시켜 더 나은 추천 성능을 달성하기 위해.
• 낮은 평가 상황에서의 모델의 강건성을 평가하기 위해, 이전 평가 기록이 없는 신규 사용자를 시뮬레이션하기 위해.

제안 방법

• 사용자 평가 벡터 간 코사인 유사도를 기반으로 사용자 유사도 그래프를 구축하여 사용자 간 관계를 모델링한다.
• 사용자 인구통계학적 및 위치 데이터를 평가 패턴과 통합하여 자동에코더의 입력으로 사용할 통합 특성 행렬을 구성한다.
• 낮은 차원의 비선형 표현을 학습하여 사용자에 대한 저차원, 비선형 표현을 얻기 위해 딥 자동에코더를 적용한다. 이는 상관관계가 감소하고 정보량이 증가한다.
• 자동에코더에서 학습된 잠재 표현을 사용하여 K-평균 및 미니배치 K-평균을 활용해 사용자를 클러스터링하며, 군집 수는 팔꿈치 방법과 실루엣 방법을 통해 선정한다.
• MovieLens 100K 및 1M 데이터셋에서 RMSE, 정밀도, 재현율을 사용해 최종 추천 모델을 훈련하고 평가한다.
• 평가 행렬에서 사용자 평가를 무작위로 제거하여 냉동기초 시나리오를 시뮬레이션하고, 남은 측면 정보에 대한 성능을 평가한다.

실험 결과

연구 질문

• RQ1 그래프 기반 모델을 통해 사용자 평가 유사도, 인구통계학적 데이터, 위치 정보를 통합하면 추천 정확도가 향상되는가?
• RQ2 자동에코더 기반 특성 추출이 하이브리드 추천 시스템의 성능 향상에 어느 정도 기여하는가?
• RQ3 사용자가 이전 평가 기록이 없을 경우, 제안된 모델이 냉동기초 문제를 얼마나 잘 해결하는가?
• RQ4 그래프 및 자동에코더 특징에서 유도된 사용자 군집의 최적의 군집 수는 얼마인가?
• RQ5 표준 벤치마크 데이터셋에서 RMSE, 정밀도, 재현율 측면에서 GHRS는 최신 기술 수준의 방법들과 비교해 어떻게 성능을 내는가?

주요 결과

• GHRS는 MovieLens 1M 데이터셋에서 RMSE 0.833을 기록하여 대부분의 베이스라인 모델을 능가하고 AutoRec의 최고 성능과 동일한 결과를 달성했다.
• MovieLens 100K 데이터셋에서 GHRS는 RMSE 0.887을 기록하여 최신 기술 수준의 방법들과 경쟁 가능했으며, AutoRec의 최고 성능과 유사했다.
• 냉동기초 시나리오에서 높은 성능을 보였으며, 사용자 평가의 최대 80%가 제거된 상황에서도 낮은 RMSE를 유지하여 데이터 희소성에 대한 강건성을 입증했다.
• 자동에코더의 사용은 특성 표현을 크게 향상시켜 더 정확한 클러스터링과 더 빠른 훈련을 가능하게 했다.
• 그래프 기반 사용자 유사도와 측면 정보의 조합으로 MovieLens 1M에서 평균 실루엣 점수 17.53을 기록하여 잘 분리되고 의미 있는 사용자 군집을 형성했다.
• 1M 데이터셋에서 SVD++, 베이지안 PLSA, RBM-CF 등 여러 고급 방법들을 RMSE 및 재현율 지표에서 모두 초월했다.