[논문 리뷰] Interpreting Contextual Effects By Contextual Modeling In Recommender Systems

Yong Zheng|arXiv (Cornell University)|2017. 10. 23.

Recommender Systems and Techniques참고 문헌 13인용 수 5

한 줄 요약

이 논문은 유사도 기반의 문맥 모델링 방법(CSLIM_MCS)을 제안하여 문맥 유사도를 활용해 추천 시스템 내의 문맥 효과를 해석 가능하게 한다. 독립적이고 사전 필터링 방법에 비해 뛰어난 성능과 설명 가능성을 입증하였다. CSLIM_MCS는 두 개의 실세계 데이터셋에서 추천 정확도와 의미적으로 관련된 문맥 상황을 검색하는 데서 TF 및 SPF를 모두 앞서며 우수한 성능을 보였다.

ABSTRACT

Recommender systems have been widely applied to assist user's decision making by providing a list of personalized item recommendations. Context-aware recommender systems (CARS) additionally take context information into considering in the recommendation process, since user's tastes on the items may vary from contexts to contexts. Several context-aware recommendation algorithms have been proposed and developed to improve the quality of recommendations. However, there are limited research which explore and discuss the capability of interpreting the contextual effects by the recommendation models. In this paper, we specifically focus on different contextual modeling approaches, reshape the structure of the models, and exploit how to utilize the existing contextual modeling to interpret the contextual effects in the recommender systems. We compare the explanations of contextual effects, as well as the recommendation performance over two-real world data sets in order to examine the quality of interpretations.

연구 동기 및 목표

• 추천 시스템에서 문맥 효과를 해석할 수 있도록 문맥 모델링 접근법을 재구성하는 방법을 탐구하는 것.
• 독립적이고 종속적인 문맥 모델링 기법 간의 설명 가능성과 추천 성능를 비교하는 것.
• 문맥 유사도 학습이 추천 품질과 해설 능력 향상에 기여하는지 평가하는 것.
• 주어진 타겟 문맥에 대해 의미적으로 관련된 문맥 상황을 가장 잘 검색하는 문맥 모델링 방법을 특정하는 것.

제안 방법

• 논문은 문맥 유사도를 통해 설명 가능성을 강조하도록 독립적이고 종속적인 문맥 모델링 접근법을 재구성한다.
• 다차원 문맥 유사도를 사용하여 사용자-아이템 평점의 문맥 간 모델링을 수행하는 유사도 기반의 문맥 희소 선형 모델(CSLIM_MCS)을 적용한다.
• 비교를 위해 두 가지 기준 모델을 사용한다: 사전 필터링 방법(SPF)과 텐서 분해 기반의 독립적 문맥 모델링 방법(TF).
• 문맥 유사도는 TF로부터 유도된 잠재 벡터를 사용하여 계산되며, 이는 주어진 타겟 문맥에 대해 상위 5개의 유사한 문맥 상황을 검색하는 데 활용된다.
• 추천 품질 평가를 위해 정밀도와 NDCG를 지표로 사용하는 5겹 교차 검증을 실시한다.
• 설명 가능성은 검색된 유사한 문맥 상황이 타겟 문맥와 얼마나 관련성이 있는지 분석함으로써 평가된다.

실험 결과

연구 질문

• RQ1 어떻게 문맥 모델링 접근법을 재구성하여 추천 시스템 내 문맥 효과의 설명 가능성을 향상시킬 수 있는가?
• RQ2 종속적 또는 독립적인 문맥 모델링 방법 중 어느 것이 더 높은 추천 성능와 더 의미 있는 해석을 제공하는가?
• RQ3 문맥 유사도 학습이 추천 정확도와 유사한 문맥 상황 검색 품질을 모두 향상시킬 수 있는가?
• RQ4 다양한 모델은 주어진 문맥에 대해 의미적으로 관련된 문맥 상황을 어떻게 다른 방식으로 검색하는가?

주요 결과

• CSLIM_MCS는 STS 및 음악 데이터셋에서 모두 최고의 정밀도와 NDCG 점수를 기록하여 TF 및 SPF보다 추천 품질에서 뛰어난 성능을 보였다.
• STS 데이터셋에서 CSLIM_MCS는 타겟 문맥 조건 '온도: 추운'을 포함한 문맥 상황을 성공적으로 검색하였고, TF 및 SPF는 '계절'이나 '기분'과 같은 관련 없는 조건들만 검색하였다.
• 음악 데이터셋에서는 CSLIM_MCS가 '풍경: 시골'과 '도로 유형'과 같은 더 관련 있는 문맥 조합을 검색한 반면, TF 및 SPF는 '자연현상'과 같은 관련 없는 차원에 집중하였다.
• 결과적으로, 문맥 유사도를 활용한 종속적 문맥 모델링(CSLIM_MCS)은 의미적으로 일관되고 관련 있는 문맥 상황을 검색함으로써 더 뛰어난 설명 가능성을 제공한다.
• 본 연구는 문맥 유사도 학습이 추천 성능 향상뿐 아니라 추천 시스템 내 문맥 효과의 설명 가능성 향상에도 기여함을 입증하였다.