[논문 리뷰] Interpretable recommendations via overlapping co-clusters.

Reinhard Heckel, Michail Vlachos|arXiv (Cornell University)|2016. 04. 07.

Recommender Systems and Techniques참고 문헌 46인용 수 4

한 줄 요약

이 논문은 행렬 분해를 통해 고객-제품 구매 이력에서 유도된 겹치는 공집합 클러스터를 사용하여 해석 가능한 추천 시스템을 제안한다. 공동 클러스터에 속한 고객과 제품을 식별함으로써, 표준 기법을 능가하거나 동등하게 높은 정확도를 달성하면서도 텍스트적·시각적 해석이 가능한 추천을 제공한다. 이는 대규모 데이터셋에 대해 선형 확장 가능성을 가진다.

ABSTRACT

There is an increasing need to provide not only accurate but also interpretable recommendations, in order to enhance transparency and trust in the recommendation process. This is particularly important in a business-to-business setting, where recommendations are generated for experienced sales staff and not directly for the end-client. In this paper, we consider the problem of generating interpretable recommendations based on the purchase history of clients, or more general, based on positive or one-class ratings only. We present an algorithm that generates recommendations by identifying overlapping co-clusters consisting of clients and products. Our algorithm uses matrix factorization techniques to identify co-clusters, and recommends a client-product pair because of its membership in one or more client-product co-clusters. The algorithm exhibits linear complexity in the number of co-clusters and input examples, and can therefore be applied to very large datasets. We show, both on a real client-product dataset from our institution, as well as on publicly available datasets, that the recommendation accuracy of our algorithm is better than or equivalent to standard interpretable and non-interpretable recommendation techniques, such as standard one-class nearest neighbor and matrix factorization techniques. Most importantly, our approach is capable of offering textually and visually interpretable recommendations.

연구 동기 및 목표

• 판매 직원이 추천을 받는 기업 간(B2B) 환경에서 증명 가능한 추천의 필요성이 증가하는 데 대응하기 위해.
• 실제 고객 구매 데이터를 반영한 유일한 긍정 평가 또는 한 유형의 평가로만 효과적으로 작동하는 추천 알고리즘을 개발하기 위해.
• 클러스터 기반 추론을 통해 정확성과 해석 가능성을 동시에 확보하여 신뢰도와 투명성을 향상시키기 위해.
• 공집합 클러스터 수와 입력 예제 수에 대해 선형 복잡도를 확보하여 대규모 데이터셋에 효율적으로 스케일링할 수 있도록 하기 위해.

제안 방법

• 알고리즘은 한 유형의 평가 또는 긍정 평가에서 유도된 겹치는 공집합 클러스터를 행렬 분해를 통해 식별한다.
• 각 고객-제품 쌍은 하나 이상의 공집합 클러스터에 속함에 따라 추천되며, 이는 다각적 추론을 가능하게 하여 해석 가능성을 높인다.
• 공집합 클러스터링 구조는 클러스터를 설명하고 관련된 고객과 제품의 묶음으로 표시할 수 있기 때문에 텍스트적·시각적 해석이 가능하다.
• 공집합 클러스터 수와 입력 예제 수에 대해 선형 시간 복잡도를 확보하여 대규모 데이터셋에 대한 확장성을 확보한다.
• 클러스터 소속 점수를 추천 점수 함수에 통합하여 클러스터의 밀도와 예측 정확도 사이의 균형을 유지한다.
• 음성 피드백이 필요 없이도 실제 고객-제품 상호작용 로그에서 흔히 볼 수 있는 희박한 한 유형의 데이터를 효과적으로 처리하도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 행렬 분해에서 유도된 겹치는 공집합 클러스터는 한 유형의 평가 환경에서 추천 정확도를 향상시키면서도 해석 가능성을 유지할 수 있는가?
• RQ2 제안된 방법은 한 유형의 최근접 이웃 및 행렬 분해와 같은 표준 해석 가능한 및 비해석 가능한 추천 기법과 비교해 정확도에서 어떤가?
• RQ3 공집합 클러스터링 구조는 추천의 텍스트적·시각적 설명을 어느 정도 지원할 수 있는가?
• RQ4 선형 복잡도 덕분에 이 알고리즘은 대규모 고객-제품 데이터셋에 효과적으로 스케일링되는가?

주요 결과

• 제안된 알고리즘은 실제 및 공개 데이터셋에서 표준 한 유형의 최근접 이웃 및 행렬 분해 기법보다 우수하거나 동등한 추천 정확도를 달성한다.
• 클러스터 소속을 통해 성공적으로 해석 가능한 추천을 생성하여, 고객이 어떤 제품을 추천받는지에 대한 이유를 텍스트적·시각적으로 설명할 수 있다.
• 공집합 클러스터 수와 입력 예제 수에 대해 선형 복잡도를 확보하여 대규모 배포에 적합한 효율적인 확장성을 확보한다.
• 겹치는 공집합 클러스터를 사용함으로써, 항목이 여러 의미 있는 그룹에 속할 수 있기 때문에 비겹치는 클러스터 모델 대비 더 세밀한 추천이 가능하다.
• 음성 피드백이 없이도 유일한 긍정 평가만으로도 높은 성능을 유지하여 실제 데이터 시나리오에서의 강건성을 입증한다.
• 클러스터를 의미 있는 고객과 제품의 묶음으로 설명할 수 있기 때문에 추천의 해석 가능성이 향상되어 B2B 환경에서 전문가 사용자들의 신뢰를 증가시킨다.