[논문 리뷰] Item Silk Road: Recommending Items from Information Domains to Social Users

Xiang Wang, Xiangnan He외 2명|arXiv (Cornell University)|2017. 06. 10.

Recommender Systems and Techniques참고 문헌 35인용 수 149

한 줄 요약

정보 도메인 아이템을 소셜 네트워크 사용자에게 추천하는 교차 도메인 소셜 추천을 소개하고, 속성 인식 딥 CF와 그래프 기반 소셜 전파를 활용하는 신경 기반 사회적 협업 순위 모델 NSCR을 제시한다.

ABSTRACT

Online platforms can be divided into information-oriented and social-oriented domains. The former refers to forums or E-commerce sites that emphasize user-item interactions, like Trip.com and Amazon; whereas the latter refers to social networking services (SNSs) that have rich user-user connections, such as Facebook and Twitter. Despite their heterogeneity, these two domains can be bridged by a few overlapping users, dubbed as bridge users. In this work, we address the problem of cross-domain social recommendation, i.e., recommending relevant items of information domains to potential users of social networks. To our knowledge, this is a new problem that has rarely been studied before. Existing cross-domain recommender systems are unsuitable for this task since they have either focused on homogeneous information domains or assumed that users are fully overlapped. Towards this end, we present a novel Neural Social Collaborative Ranking (NSCR) approach, which seamlessly sews up the user-item interactions in information domains and user-user connections in SNSs. In the information domain part, the attributes of users and items are leveraged to strengthen the embedding learning of users and items. In the SNS part, the embeddings of bridge users are propagated to learn the embeddings of other non-bridge users. Extensive experiments on two real-world datasets demonstrate the effectiveness and rationality of our NSCR method.

연구 동기 및 목표

• 브리지 사용자를 통해 정보 도메인(예: Trip.com)과 소셜 네트워크(예: Facebook, Twitter)를 연결하여 교차 도메인 소셜 추천 문제를 제기하는 동기를 부여한다.
• 정보 도메인에서 사용자-아이템-속성 상호작용을 모델링하는 신경망 기반의 속성 인식 추천 시스템을 개발한다.
• 소셜 도메인에서 그래프 기반의 매끄러움 제약을 통해 브리지-유저 임베딩을 전파하여 비브리지 사용자에 정보를 전달한다.
• 희박한 브리지-유저 데이터를 다루기 위해 정보 도메인 학습과 소셜 도메인 학습을 공유 임베딩 공간으로 결합한다.
• NSCR을 기준선과 대조하여 검증하기 위한 두 개의 실제 데이터셋과 포괄적 실험을 제공한다.

제안 방법

• 아이디와 속성으로부터 사용자 및 아이템 임베딩을 학습하기 위해 속성 인식 딥 협업 필터링을 사용하고, 사용자-아이템-속성 간의 상호작용을 포착하기 위해 페어와이즈 풀링 연산을 적용한다.
• 정보 도메인(L_I)과 사회 도메인(L_S)에서의 학습을 분리하고 공유된 브리지-유저 임베딩(L_I ∩ L_S가 비어있지 않음)을 둔 임베딩 기반 프레임워크.
• 정보 도메인 학습은 관찰된/관찰되지 않은 상호작용에 대한 페어와이즈 순위 objective를 사용하여 임베딩의 원소별 곱에 심층 MLP를 얹은 신경망(p_u, q_i)을 최적화한다.
• 소셜 도메인 학습은 그래프 라플라시안 기반의 매끄러움 항으로 브리지-유저 임베딩을 소셜 네트워크에 전파하고 도메인 간 적합 제약을 통해 앵커 일관성을 보장한다.
• 소셜 사용자를 위한 예측은 같은 신경망 아키텍처를 통해 그들의 임베딩과 아이템 임베딩을 결합하여 계층적 순위화를 위한 y_hat를 생성한다.
• 학습은 교대 최적화를 사용한다: 정보 도메인에는 음성 샘플링이 있는 SGD를, 사회 도메인에는 그래프 기반의 닫힌 형식 업데이트를 사용한다; 페어와이즈 풀링과 은닉층에 드롭아웃을 적용한다.

실험 결과

연구 질문

• RQ1 NSCR이 교차 도메인 소셜 추천 작업에서 최첨단 방법들을 능가할 수 있는가?
• RQ2 하이퍼파라미터(예: 드롭아웃, 트레이드오프 μ)가 NSCR 성능에 어떤 영향을 미치는가?
• RQ3 더 깊은 은닉층이 정보 도메인 상호작용으로부터의 학습을 NSCR에 도움이 되는가?
• RQ4 브리지-유저 임베딩이 소셜 도메인의 비브리지 사용자로 효과적으로 전파될 수 있는가?
• RQ5 속성의 도입이 추천 품질에 미치는 영향은 무엇인가?

주요 결과

• NSCR은 구성된 교차 도메인 데이터셋(Trip.com과 Facebook, Twitter)을 대상으로 AUC 및 Recall@5 지표에서 기준 방법들에 비해 우수한 성과를 보인다.
• 페어와이즈 풀링을 통한 속성 모델링이 단순 풀링에 비해 사용자-아이템-속성 상관관계 포착을 개선한다.
• 공유된 브리지-유저 임베딩을 가진 도메인별 학습 분리는 정보 도메인 아이템과 소셜 도메인 사용자 간의 효과적 정렬을 가능하게 한다.
• 정규화된 라플라시안이 포함된 그래프 기반 소셜 전파는 비브리지 사용자로의 임베딩 전파를 개선하고 학습을 안정화한다.
• 실험은 하이퍼파라미터 설정에 대한 강건성을 보여주고 교차 도메인 추천에서 속성 도입의 이점을 검증한다.