[논문 리뷰] KB4Rec: A Dataset for Linking Knowledge Bases with Recommender Systems

Wayne Xin Zhao, Gaole He외 4명|arXiv (Cornell University)|2018. 07. 30.

Recommender Systems and Techniques참고 문헌 26인용 수 6

한 줄 요약

KB4Rec v1.0은 영화 추천, LFM-1b, 애자일 북 데이터셋을 Freebase에 연결하는 공개된 데이터셋으로, 지식 기반 추천을 가능하게 한다. 아이템을 구조화된 지식 기반 엔터티와 연결함으로써, 지식 강화된 순차적 추천 모델인 KSR이 모든 데이터셋에서 다른 모델을 능가함을 입증하였으며, LFM-1b에서 NDCG@10 기준 최대 0.460의 성능을 기록하였다.

ABSTRACT

To develop a knowledge-aware recommender system, a key data problem is how we can obtain rich and structured knowledge information for recommender system (RS) items. Existing datasets or methods either use side information from original recommender systems (containing very few kinds of useful information) or utilize private knowledge base (KB). In this paper, we present the first public linked KB dataset for recommender systems, named KB4Rec v1.0, which has linked three widely used RS datasets with the popular KB Freebase. Based on our linked dataset, we first preform some interesting qualitative analysis experiments, in which we discuss the effect of two important factors (i.e. popularity and recency) on whether a RS item can be linked to a KB entity. Finally, we present the comparison of several knowledge-aware recommendation algorithms on our linked dataset.

연구 동기 및 목표

• 추천 시스템 아이템과 구조화된 지식 기반 간의 연결이 이루어진 공개된 대규모 데이터셋이 부족한 문제를 해결하기 위해.
• 통합된 공개 접근 가능한 아이템-KB 엔터티 매핑 데이터셋을 제공함으로써 지식 기반 추천을 가능하게 하기 위해.
• 인기와 최신성의 영향이 추천 시스템 아이템의 지식 기반 엔터티에 대한 성공적인 연결에 미치는 영향을 분석하기 위해.
• 공동된 표준화된 벤치마크에서 여러 지식 기반 추천 알고리즘을 평가하고 비교하기 위해.

제안 방법

• ID 기반 매칭을 사용하여 세 가지 널리 사용되는 추천 시스템 데이터셋(MovieLens, LFM-1b, Amazon Book)의 아이템을 Freebase 지식 기반의 엔터티에 수동으로 연결한다.
• TransE를 사용해 학습된 저차원 임베딩을 통해 지식 기반 정보를 표현하며, 5,000개 미만의 삼중항을 가진 관계는 제거한다.
• SVDFeature 및 BPR과 같은 협업 필터링 모델에 연결된 임베딩을 컨텍스트 특징으로 사용한다.
• 네 가지 지식 기반 추천 모델을 구현하고 비교한다: BPR, SVDFeature, mCKE(simplified), KSR. KSR는 지식 기반 임베딩을 메모리 증강 순차 모델에 통합한다.
• 쌍별 순위 손실을 사용해 모델을 훈련하고, 마지막 아이템 추천 작업에서 MRR, Hit@10, NDCG@10을 평가한다.
• mCKE와 KSR에서 비교를 위해 훈련 중에 지식 기반 임베딩를 고정하며, 사전에 학습된 TransE 임베딩를 사용한다.

실험 결과

연구 질문

• RQ1 추천 시스템 아이템의 인기와 최신성이 지식 기반 엔터티에 성공적으로 연결될 가능성을 어떻게 영향을 미치는가?
• RQ2 공동된 연결된 데이터셋에서 훈련된 경우, 지식 기반 추천 모델이 표준 협업 필터링 모델보다 성능을 얼마나 향상시킬 수 있는가?
• RQ3 특징 기반 vs. 메모리 증강 방식과 같은 다양한 지식 통합 전략이 추천 효율성 측면에서 어떻게 비교되는가?
• RQ4 표준화된 공개 벤치마크에서 최신 기술 지식 기반 모델인 KSR과 mCKE의 성능은 어떠한가?

주요 결과

• KSR는 세 데이터셋 전반에서 모든 다른 모델을 능가하며, LFM-1b 데이터셋에서 MRR(0.427), Hit@10(0.607), NDCG@10(0.460) 기준 최고 성능을 기록하였다.
• KB 임베딩를 컨텍스트 특징으로 통합한 SVDFeature는 특히 더 희소한 책 및 음악 데이터셋에서 BPR보다 뚜렷한 향상을 보였다.
• mCKE는 대부분의 데이터셋에서 KSR 및 SVDFeature보다 성능이 열 劣하나, 구현에서 고정된 KB 임베딩를 사용한 점을 고려하면, 원래의 적응형 모델과의 차이가 원인일 수 있다.
• 지식 정보를 전혀 사용하지 않는 BPR은 모든 데이터셋에서 가장 열 劣한 성능을 보였으며, 이는 지식 통합의 가치를 강조한다.
• 정성적 분석 결과, 인기와 최신성이 추천 시스템 아이템의 지식 기반 엔터티에 대한 연결 성공률에 뚜렷한 영향을 미친다.
• KB4Rec v1.0 데이터셋은 재현 가능한 벤치마킹을 가능하게 하며, 대규모 지식 기반 추천을 위해 공개 지식 기반을 활용할 수 있음을 입증한다.