[논문 리뷰] Improving the Diversity of Top-N Recommendation via Determinantal Point Process.

Laming Chen, Guoxin Zhang외 1명|arXiv (Cornell University)|2017. 09. 15.

Stochastic Gradient Optimization Techniques참고 문헌 25인용 수 16

한 줄 요약

이 논문은 항목 간 상반관계(반발력)를 모델링하여 상위 N개의 다양성을 향상시키는 DPP 기반 추천 방법을 제안한다. 이는 다양성 조절이 가능하고 가속화 알고리즘을 통해 효율적인 추론을 가능하게 하며, 공개 데이터셋에서 최신 기준 대비 뛰어난 정확도-다양성 트레이드오프를 달성한다.

ABSTRACT

Recommender systems take the key responsibility to help users discover items that they might be interested in. Many recommendation algorithms are built upon similarity measures, which usually result in low intra-list diversity. The deficiency in capturing the whole range of user interest often leads to poor satisfaction. To solve this problem, increasing attention has been paid on improving the diversity of recommendation results in recent years. In this paper, we propose a novel method to improve the diversity of top-$N$ recommendation results based on the determinantal point process (DPP), which is an elegant model for characterizing the repulsion phenomenon. We propose an acceleration algorithm to greatly speed up the process of the result inference, making our algorithm practical for large-scale scenarios. We also incorporate a tunable parameter into the DPP model which allows the users to smoothly control the level of diversity. More diversity metrics are introduced to better evaluate diversification algorithms. We have evaluated our algorithm on several public datasets, and compared it thoroughly with other reference algorithms. Results show that our proposed algorithm provides a much better accuracy-diversity trade-off with comparable efficiency.

연구 동기 및 목표

• 유사도 기반 추천 시스템에서 흔히 발생하는 낮은 리스트 내 다양성 문제를 해결한다.
• 상위 N개 추천에 사용자 관심사의 더 넓은 범위를 반영하여 사용자 만족도를 향상시킨다.
• 대규모 환경에서 다양성 인식 추천을 위한 실용적이고 확장 가능한 방법을 개발한다.
• 사용자가 추천의 원하는 다양성 수준을 제어할 수 있도록 조절 가능한 파라미터를 도입한다.
• 추천 시스템의 다양화 성능을 더 정확하게 평가하기 위해 향상된 평가 지표를 제공한다.

제안 방법

• 추천 항목 간 음성 상관관계(반발)를 모델링하기 위해 결정점 프로세스(Determinantal Point Process, DPP)를 활용하여 다양성을 증진시킨다.
• DPP 추론 속도를 크게 향상시키기 위한 가속화 알고리즘을 설계하여 대규모 추천 시나리오에 대한 확장성을 확보한다.
• DPP 커널에 조절 가능한 하이퍼파라미터를 통합하여 추천 정확도와 다양성 간의 트레이드오프를 제어한다.
• 사용자 선호도에 부합하면서도 다양한 항목 조합을 선택하는 DPP 기반 샘플링 기법을 구현한다.
• 사용자-항목 상호작용 데이터를 활용해 항목 유사도와 DPP 가중치를 계산하는 추천 파이프라인에 DPP 모델을 통합한다.
• 결정점 선택을 통해 관련성과 다양성 양측을 최적화하여 상위 N개 추천을 생성하기 위해 DPP 모델을 적용한다.

실험 결과

연구 질문

• RQ1 DPP 기반 모델링은 추천 리스트의 다양성을 효과적으로 향상시키면서도 추천 정확도를 유지할 수 있는가?
• RQ2 제안된 가속화 알고리즘이 대규모 환경에서 DPP 기반 추천의 추론 속도에 어떤 영향을 미치는가?
• RQ3 DPP 모델의 조절 가능한 파라미터가 사용자가 추천의 다양성 수준을 얼마나 정밀하게 제어할 수 있는가?
• RQ4 기존의 다양성 인식 추천 알고리즘과 비교해 본다면, 제안된 방법은 정확도와 다양성 간 트레이드오프 측면에서 어떤가?
• RQ5 제안된 다양성 지표는 기존 지표보다 다양화 성능 평가에 더 신뢰할 만한가?

주요 결과

• 제안된 DPP 기반 방법은 여러 공개 데이터셋에서 베이스라인 알고리즘 대비 유의미하게 뛰어난 정확도-다양성 트레이드오프를 달성한다.
• 가속화 알고리즘이 추론 시간을 크게 단축시켜 DPP 기반 추천을 대규모 응용에 실용적으로 구현할 수 있게 한다.
• 조절 가능한 파라미터를 통해 다양성 수준을 부드럽게 제어할 수 있어 사용자 선호도에 맞는 맞춤형 설정이 가능하다.
• 새로운 다양성 지표는 기존 지표보다 더 세밀하고 신뢰할 수 있는 추천 다양성 평가를 가능하게 한다.
• 실증 평가 결과, 이 방법은 리스트 다양성을 크게 향상시키면서도 높은 추천 정확도를 유지함을 확인했다.
• 이 방법은 기존 최신 기술 대비 다양성과 정확도 양측에서 뛰어난 성능을 보이며, 그 효과성과 실용성을 입증했다.