[논문 리뷰] HieRec: Hierarchical User Interest Modeling for Personalized News Recommendation

Tao Qi, Fangzhao Wu외 5명|arXiv (Cornell University)|2021. 06. 08.

Recommender Systems and Techniques참고 문헌 31인용 수 5

한 줄 요약

HieRec는 개인화된 뉴스 추천을 위한 계층적 사용자 관심 모델링 프레임워크를 제안하며, 하위주제, 주제, 사용자 수준의 세 단계 구조를 사용하여 다양한 다중 해상도의 사용자 관심사를 포착한다. 후보 뉴스를 다중 해상도에서 사용자 관심사와 매칭함으로써 HieRec은 실제 데이터셋에서 단일 임베딩 기반 모델 대비 추천 정확도와 다양성을 크게 향상시킨다.

ABSTRACT

User interest modeling is critical for personalized news recommendation. Existing news recommendation methods usually learn a single user embedding for each user from their previous behaviors to represent their overall interest. However, user interest is usually diverse and multi-grained, which is difficult to be accurately modeled by a single user embedding. In this paper, we propose a news recommendation method with hierarchical user interest modeling, named HieRec. Instead of a single user embedding, in our method each user is represented in a hierarchical interest tree to better capture their diverse and multi-grained interest in news. We use a three-level hierarchy to represent 1) overall user interest; 2) user interest in coarse-grained topics like sports; and 3) user interest in fine-grained topics like football. Moreover, we propose a hierarchical user interest matching framework to match candidate news with different levels of user interest for more accurate user interest targeting. Extensive experiments on two real-world datasets validate our method can effectively improve the performance of user modeling for personalized news recommendation.

연구 동기 및 목표

• 단일 사용자 임베딩 방법이 뉴스 추천에서 다양한 다중 해상도의 사용자 관심사를 포착하는 데에 한계가 있음을 해결하기 위해.
• 세밀한 하위주제, 굵은 주제, 전체 사용자 관심사의 세 수준에서 사용자 관심을 모델링하기 위해.
• 후보 뉴스를 다양한 해상도에서 사용자 관심사와 일치시키는 계층적 매칭 프레임워크를 개발하여 보다 정밀한 타겟팅을 가능하게 하기 위해.
• 사용자 관심의 이질성을 명시적으로 모델링하여 추천 성능과 다양성을 향상시키기 위해.

제안 방법

• HieRec는 세 단계 계층을 구성한다: 특정 하위주제 내에서 클릭된 뉴스로부터 생성된 하위주제 수준의 표현, 하위주제 임베딩과 주제 임베딩을 바탕으로 생성된 주제 수준의 표현, 주제 수준의 관심사를 바탕으로 생성된 사용자 수준의 표현.
• 하위주제 수준의 관심 표현은 하위주제 임베딩과 해당 하위주제 내에서 클릭된 뉴스의 임베딩을 사용하여 학습된다.
• 주제 수준의 표현은 하위주제 수준의 관심 표현과 주제 임베딩을 통합하여 생성되며, 굵은 해상도의 사용자 관심을 포착한다.
• 사용자 수준의 표현은 주제 수준의 관심 표현에서 유도되며, 전체 사용자 선호도를 모델링한다.
• 계층적 사용자 관심 매칭 프레임워크는 후보 뉴스를 각 수준(하위주제, 주제, 사용자)에서 사용자 관심사와 매칭하여 관련성과 타겟팅 정확도를 향상시킨다.
• 모델은 어텐션 메커니즘과 풀링 전략을 사용하여 사용자 행동 시퀀스를 집계하고, 압축되면서도 의미 있는 관심 표현을 생성한다.

실험 결과

연구 질문

• RQ1 단일 임베딩 모델 대비 계층적 사용자 관심 표현이 뉴스 읽기 행동에서 다중 해상도이자 다양한 성격의 사용자 관심을 더 잘 포착할 수 있는가?
• RQ2 다양한 해상도(하위주제, 주제, 전체)에서 사용자 관심을 모델링할 경우 추천 정확도와 다양성에 어떤 영향을 미치는가?
• RQ3 다른 수준에서 후보 뉴스와 사용자 관심사 간의 계층적 매칭이 관련성 예측에 얼마나 향상되는가?
• RQ4 기본 추천 모델 대비 HieRec은 필터 버블과 에코 챔버를 완화하는가?

주요 결과

• HieRec은 두 개의 실제 뉴스 데이터셋에서 여러 최첨단 기준 모델을 능가하는 추천 정확도를 확보하며, 뛰어난 사용자 관심 모델링 능력을 입증한다.
• 계층적 매칭 프레임워크는 다양한 해상도에서 후보 뉴스와 사용자 관심사 간의 더 정밀한 일치를 가능하게 하여 관련성 예측을 향상시킨다.
• qualitative 및 quantitative 분석을 통해 HieRec은 기존 방법보다 더 높은 추천 다양성을 확보하며, 필터 버블 위험을 줄였다.
• 모델은 다양한 사용자 관심 프로파일에서 뛰어난 성능을 유지하여 관심의 이질성에 대한 강건성을 보였다.
• 제거 실험을 통해 계층의 각 수준(하위주제, 주제, 사용자)이 전체 추천 성능에 의미 있는 기여를 한다고 확인되었다.
• 정의된 기술과 윤리적 고려 사항을 해결하기 위해 연합 학습(Federated Learning)과 같은 공정성 인지 및 개인정보 보호 기법과의 통합 잠재력도 보였다.