[논문 리뷰] Improving Collaborative Filtering based Recommenders using Topic Modelling

Jobin Wilson, Santanu Chaudhury외 2명|arXiv (Cornell University)|2014. 02. 25.

Recommender Systems and Techniques참고 문헌 4인용 수 9

한 줄 요약

이 논문은 협업 필터링(CF)을 향상시키기 위해 잠재 디리클레 할당(LDA)을 통해 항목의 텍스트 기술서와 사용자 주제 선호도를 모델링하는 하이브리드 추천 접근법을 제안한다. 평점 기반 유사도와 주제 기반 유사도를 통합된 척도에서 조합함으로써, 이 방법은 희소성 문제를 줄이고 정확도를 향상시켜 여러 공개 데이터셋에서 표준 사용자 기반 및 항목 기반 CF보다 정밀도, 재현율, F-측정치에서 뛰어난 성능을 보인다.

ABSTRACT

Standard Collaborative Filtering (CF) algorithms make use of interactions between users and items in the form of implicit or explicit ratings alone for generating recommendations. Similarity among users or items is calculated purely based on rating overlap in this case,without considering explicit properties of users or items involved, limiting their applicability in domains with very sparse rating spaces. In many domains such as movies, news or electronic commerce recommenders, considerable contextual data in text form describing item properties is available along with the rating data, which could be utilized to improve recommendation quality.In this paper, we propose a novel approach to improve standard CF based recommenders by utilizing latent Dirichlet allocation (LDA) to learn latent properties of items, expressed in terms of topic proportions, derived from their textual description. We infer user's topic preferences or persona in the same latent space,based on her historical ratings. While computing similarity between users, we make use of a combined similarity measure involving rating overlap as well as similarity in the latent topic space. This approach alleviates sparsity problem as it allows calculation of similarity between users even if they have not rated any items in common. Our experiments on multiple public datasets indicate that the proposed hybrid approach significantly outperforms standard user Based and item Based CF recommenders in terms of classification accuracy metrics such as precision, recall and f-measure.

연구 동기 및 목표

• 희소 평점 환경에서 협업 필터링(CF) 추천 시스템의 희소성 문제를 해결하기 위해.
• 영화 줄거리나 제품 리뷰와 같은 항목의 텍스트 기술서를 활용하여 평점 데이터를 초월한 사용자 및 항목 표현을 향상시키기 위해.
• LDA를 통해 유도된 항목 텍스트에서 유도된 공통 잠재 주제 공간에서 사용자 선호도를 모델링하여, 공통 평점이 없는 경우에도 유사도 계산이 가능하도록 하기 위해.
• 평점 겹침과 주제 기반 유사도를 조합한 하이브리드 유사도 측정법을 설계하여 사용자-사용자 및 항목-항목 유사도 추정을 향상시키기 위해.
• 실제 세계 데이터셋에서 분류 지표 측면에서 제안된 방법이 표준 CF 접근법을 능가하는지 경험적으로 검증하기 위해.

제안 방법

• 항목의 텍스트 기술서에서 주제 비율을 추출하기 위해 잠재 디리클레 할당(LDA)을 적용하여 각 항목에 대한 잠재 주제 표현을 생성한다.
• LDA로 유도된 항목 주제를 기반으로 사용자의 이력 평점이 동일한 주제 공간에서 분포로 모델링되어 사용자 주제 선호도를 추론한다.
• 잠재 주제 공간에서의 코사인 유사도와 평점 겹침을 가중 조합하여 사용자 간의 통합 유사도 측정값을 계산한다.
• 하이브리드 유사도 측정법을 사용자 기반 및 항목 기반 협업 필터링 프레임워크에 통합하여 추천을 생성한다.
• 희소 평점 행렬을 가진 공개 데이터셋에서 모델을 훈련하고 평가하여 표준 CF 기준선과 성능을 비교한다.
• 교차 검증을 통해 평점과 주제 유사도의 융합을 최적화하며, 하이퍼파rameter를 조정한다.

실험 결과

연구 질문

• RQ1 항목 텍스트에서 유도된 잠재 주제를 통합함으로써, 희소 평점 환경에서 협업 필터링 추천 시스템의 성능 향상이 가능할까?
• RQ2 공통으로 평가된 항목이 없을 경우, 평점 기반과 주제 기반 유사도를 조합함으로써 사용자 유사도 추정이 얼마나 향상되는가?
• RQ3 제안된 하이브리드 모델은 표준 사용자 기반 및 항목 기반 CF와 비교해 정밀도, 재현율, F-측정치 측면에서 어떻게 성능을 내는가?
• RQ4 항목 텍스트에서 유도된 주제 공간에서 사용자 선호도를 모델링하면 더 정확하고 강건한 추천이 가능해지는가?
• RQ5 통합 유사도 측정법에서 평점 겹침과 주제 유사도 사이의 최적의 균형은 무엇인가?

주요 결과

• 제안된 하이브리드 접근법은 여러 공개 데이터셋에서 표준 사용자 기반 및 항목 기반 협업 필터링보다 정밀도, 재현율, F-측정치 측면에서 뚜렷한 성능 향상을 보였다.
• 주제 기반 유사도 덕분에 공통 평점이 없는 사용자 간의 유사도 계산이 가능해져, 희소성 문제를 효과적으로 완화했다.
• 항목 기술서에서 유도된 주제 모델링을 통합함으로써, 명시적 평점 외의 의미론적 및 맥락 정보를 포착함으로써 추천 정확도가 향상되었다.
• 가장 뛰어난 성능는 평점과 주제 유사도의 균형 임의 융합에서 달성되었으며, 명시적 평점과 잠재 의미 특징을 조합하는 가치를 입증했다.
• 모델은 다양한 데이터셋에서 일관된 성능 향상을 보이며, 희소성 수준과 도메인 특성의 변화에 대해 강건함을 입증했다.
• LDA를 사용해 항목과 사용자 선호도를 공통 잠재 공간에서 모델링함으로써, 추가적인 사용자 또는 항목 메타데이터 없이도 의미 있는 표현 학습이 가능함을 보여주었다.