[논문 리뷰] LA-CTR: A Limited Attention Collaborative Topic Regression for Social Media

Jeon-Hyung Kang, Kristina Lerman|arXiv (Cornell University)|2013. 11. 05.

Complex Network Analysis Techniques참고 문헌 23인용 수 22

한 줄 요약

이 논문은 친구들에 대한 제한적이고 비균일한 사용자 주의를 모델링함으로써 사회적 미디어 추천에 통합된 협업 주제 회귀 모델인 LA-CTR을 제안한다. 사용자 관심사와 친구들에 대한 주의 가중치를 모두 모델링한다. Digg에서 뉴스 기사에 대한 사용자 투표를 예측하는 데 있어 CTR 및 CTR-smf와 같은 최신 기술 모델을 능가하며, 주의 부족과 선택적 집중과 같은 인지적 제약을 반영함으로써 추천 정확도가 향상됨을 보여준다.

ABSTRACT

Probabilistic models can learn users' preferences from the history of their item adoptions on a social media site, and in turn, recommend new items to users based on learned preferences. However, current models ignore psychological factors that play an important role in shaping online social behavior. One such factor is attention, the mechanism that integrates perceptual and cognitive features to select the items the user will consciously process and may eventually adopt. Recent research has shown that people have finite attention, which constrains their online interactions, and that they divide their limited attention non-uniformly over other people. We propose a collaborative topic regression model that incorporates limited, non-uniformly divided attention. We show that the proposed model is able to learn more accurate user preferences than state-of-art models, which do not take human cognitive factors into account. Specifically we analyze voting on news items on the social news aggregator and show that our model is better able to predict held out votes than alternate models. Our study demonstrates that psycho-socially motivated models are better able to describe and predict observed behavior than models which only consider latent social structure and content.

연구 동기 및 목표

• 협업 필터링에 제한된 주의와 같은 인지적 제약을 통합함으로써 행동 심리학과 통계적 추천 모델 간 격차를 해소하기 위해.
• 사용자가 친구들 사이에 제한된 주의를 어떻게 균일하지 않게 분배하는지 모델링함으로써 사회적 미디어에서 사용자 항목 수용 예측 정확도를 향상시키기 위해.
• 주제별 관심사와 영향력 있는 사용자에 대한 주의 가중치를 모두 반영하는 해석 가능한 사용자 프로파일을 제공하기 위해.
• 인지적 요인을 忽시하는 모델과 비교할 때 주의 인지 모델이 실제 사용자 행동을 더 잘 예측하는지 평가하기 위해.
• 주의와 같은 심리적 메커니즘을 통합함으로써 더 정확하고 설명 가능한 추천이 가능해지는지 보여주기 위해.

제안 방법

• 친구들에 대한 사용자별 주의 분포를 도입함으로써 CTR 모델을 확장하며, 이를 친구들의 게시물 콘텐츠에 대한 주제 분포로 모델링한다.
• 각 친구에 대해 주의를 기울이는 정도를 조절하는 영향력 가중치(s_i)를 도입하여, 관련성 높거나 가까운 친구에게 더 많은 주의를 기울이는 것을 반영한다.
• 항목 수용을 사용자 관심사(u_i), 친구들에 대한 주의(φ_il), 영향력(s_il)의 함수로 모델링하는 생성적 확률 프레임워크를 사용하며, 항목 콘텐츠에 대한 주제 모델링을 포함한다.
• 잠재 변수, 즉 사용자 관심 벡터, 주의 분포, 영향력 매개변수를 추정하기 위해 사용자-항목 수용과 콘텐츠의 공동 우도를 기반으로 변분 베이지 추론을 적용한다.
• 주의, 영향력, 주제 모델링 간의 복잡한 종속성을 처리하기 위해 비공액 변분 추론 접근법을 사용한다.
• 보류된 투표에 대한 성능 평가를 위해 다양한 추천 항목 수(X ∈ {20, 40, ..., 200})에서 Recall@X 메트릭을 사용하여 행렬 내 예측을 수행한다.

실험 결과

연구 질문

• RQ1 친구들 사이에서 제한적이고 비균일한 주의를 모델링하면 사회적 미디어 추천 과제에서 예측 정확도가 향상되는가?
• RQ2 친구들로부터 주제별로 영향력을 통합하면 모든 친구를 동일하게 취급하는 모델보다 성능이 향상되는가?
• RQ3 LA-CTR은 CTR 및 CTR-smf와 같은 최신 기술 모델과 비교해 뉴스 기사에 대한 사용자 투표를 예측하는 데 어떻게 성능을 냈는가?
• RQ4 사용자 관심사와 주의 배분을 구분함으로써 모델이 사용자 행동에 대한 해석 가능한 설명을 제공할 수 있는가?
• RQ5 주의와 같은 인지적 제약을 포함하면 사회적 구조와 콘텐츠에만 의존하는 모델보다 일반화 성능이 향상되는가?

주요 결과

• LA-CTR는 Recall@X 평가 전반에서 CTR 및 CTR-smf를 일관되게 능가하며, LA-CTR의 Recall@100은 CTR-smf의 Recall@200를 초월한다.
• 단지 50개의 주제로도 LA-CTR는 200개 주제로 학습된 CTR 및 CTR-smf 모델을 능가한다. 이는 더 뛰어난 데이터 효율성과 모델링 능력을 의미한다.
• 작은 주제 공간에서도 높은 성능을 달성함으로써, 주의 모델링이 주제 복잡성 증가만으로는 달성할 수 없는 가치를 더한다.
• 그림 4는 LA-CTR이 세밀한 주의 패턴을 설명할 수 있음을 보여준다. 예를 들어, 한 사용자는 스포츠 주제에서는 한 친구에게 가장 많은 주의를 기울이는 반면, 다른 친구들에게는 다른 방식으로 주의를 분배한다.
• 모델은 가장 가능성 있는 항목뿐 아니라 가장 가능성 있는 수용 원인까지도 성공적으로 예측하여, 추천 시스템에서 원인 추적 가능성 잠재력을 보여준다.
• 복잡성에도 불구하고, 사용자-항목 행렬과 사회적 네트워크 행렬의 희소성으로 인한 성능 저하 없이도 실세계 Digg 데이터에서 효율적인 추론을 유지한다.