[논문 리뷰] Item Recommendation with Evolving User Preferences and Experience

Subhabrata Mukherjee, Hemank Lamba외 1명|arXiv (Cornell University)|2017. 05. 06.

Recommender Systems and Techniques참고 문헌 26인용 수 6

한 줄 요약

이 논문은 리뷰 텍스트와 평가만을 사용하여 사용자의 변화하는 경험, 분할별 관심사, 글쓰기 스타일, 평가 행동을 동시에 추적하는 생성적 HMM-LDA 모델을 제안한다. 잠재적 사용자 성숙도와 주제 선호의 시간적 진행을 모델링함으로써, 최신 기술 기준보다 더 정확하게 평가 예측을 향상시키고 숙련된 사용자를 보다 정확히 식별한다.

ABSTRACT

Current recommender systems exploit user and item similarities by collaborative filtering. Some advanced methods also consider the temporal evolution of item ratings as a global background process. However, all prior methods disregard the individual evolution of a user's experience level and how this is expressed in the user's writing in a review community. In this paper, we model the joint evolution of user experience, interest in specific item facets, writing style, and rating behavior. This way we can generate individual recommendations that take into account the user's maturity level (e.g., recommending art movies rather than blockbusters for a cinematography expert). As only item ratings and review texts are observables, we capture the user's experience and interests in a latent model learned from her reviews, vocabulary and writing style. We develop a generative HMM-LDA model to trace user evolution, where the Hidden Markov Model (HMM) traces her latent experience progressing over time -- with solely user reviews and ratings as observables over time. The facets of a user's interest are drawn from a Latent Dirichlet Allocation (LDA) model derived from her reviews, as a function of her (again latent) experience level. In experiments with five real-world datasets, we show that our model improves the rating prediction over state-of-the-art baselines, by a substantial margin. We also show, in a use-case study, that our model performs well in the assessment of user experience levels.

연구 동기 및 목표

• 추천 시스템에서 사용자 경험 모델링의 부족을 해결하기 위해, 일반적으로 개인의 성숙도와 변화하는 선호도를 간과하는 문제를 해결한다.
• 관찰 가능한 리뷰와 평가만을 사용하여 사용자 경험, 분할별 관심사, 글쓰기 스타일, 평가 행동의 시간적 공통 진화를 모델링한다.
• 잠재적 사용자 성숙도와 변화하는 주제 선호를 통합함으로써 평가 예측 정확도를 향상시킨다.
• 언어적 및 행동적 진화를 바탕으로, 온라인 커뮤니티 내 잠재적 시민 기자와 같은 숙련된 사용자를 식별한다.
• 리뷰 텍스트의 내용과 글쓰기 스타일이 평가만으로는 부족한 사용자 진화 모델링에 핵심 신호를 제공한다는 것을 입증한다.

제안 방법

• 숨은 마르코프 모델(HMM)을 사용하여 시간에 따라 변화하는 사용자 경험의 잠재적 진화를 추적하는 생성적 HMM-LDA 모델을 제안한다.
• 잠재 디리클레 할당(LDA)은 사용자의 잠재적 경험 수준에 따라 특정 항목의 분할별 관심사를 함수로 모델링한다.
• 모델은 시간적 진행을 조건으로 하여 리뷰 텍스트, 어휘 사용, 글쓰기 스타일에서 사용자 경험과 분할별 선호도를 추론한다.
• HMM은 사용자 성숙의 속도를 캡처하여 시간에 따라 개인 맞춤형 경험 성장 학습을 가능하게 한다.
• 연속 평가를 통합하기 위해 지도 학습 기법을 변형하여 분할 가중치를 경험 수준의 함수로 모델링한다.
• 동반 논문 [19]에서 기하 브라운 motion과 브라운 motion을 사용한 연속 시간 확장 모델이 제시되며, 세밀한 시간 모델링을 가능하게 한다.

실험 결과

연구 질문

• RQ1 명시적 레이블 없이 리뷰 텍스트와 평가에서 사용자 경험 진화를 어떻게 모델링할 수 있는가?
• RQ2 변화하는 사용자 성숙도를 모델링할 경우 평가 예측 정확도 향상 정도는 어느 정도인가?
• RQ3 리뷰의 글쓰기 스타일과 언어적 특징을 사용하여 사용자의 경험 수준과 분할별 관심사를 유추할 수 있는가?
• RQ4 뉴스트러스트 커뮤니티와 같은 커뮤니티에서 모델은 숙련된 사용자를 얼마나 잘 식별할 수 있는가?
• RQ5 경험, 관심사, 글쓰기 스타일을 함께 모델링할 경우, 정적 또는 전역 시간 모델보다 더 나은 추천을 이끌어낼 수 있는가?

주요 결과

• 제안된 모델은 다섯 개의 실세계 데이터셋에서 최신 기술 기준 대비 평균 제곱오차를 상당한 폭으로 감소시켰다.
• 뉴스타스터드 커뮤니티에서 숙련된 사용자 식별 작업에서 모델은 F₁ 스코어 0.97을 기록했으며, 기준 모델의 0.68보다 뚜렷이 높았다.
• 모델은 기준 모델의 0.90에 비해 더 높은 NDCG 스코어 0.97을 기록하여 사용자 경험 수준의 순위 정확도가 뛰어나다는 것을 보여주었다.
• 모델은 사용자 성숙도의 진행을 성공적으로 포착하여, 예를 들어 영화 촬영 전문가에게 예술 영화를 추천하는 등 사용자 현재 경험 수준에 맞는 추천을 가능하게 했다.
• 리뷰 텍스트와 글쓰기 스타일의 사용은 사용자 관심사의 미세한 변화, 예를 들어 경험 증가에 따라 특수 효과에서 내러티브 복잡성으로의 초점 이동을 탐지하는 데 기여했다.
• 모델은 리뷰의 언어적 및 스타일적 진화가 사용자 경험에 대한 강력한 대체 지표임을 입증했으며, 평가 이력이나 정적 주제 모델링에 의존하는 방법보다 성능이 뛰어났다.