[논문 리뷰] Latent Collaborative Retrieval

Jason Weston, Chong Wang외 2명|arXiv (Cornell University)|2012. 06. 18.

Recommender Systems and Techniques참고 문헌 33인용 수 40

한 줄 요약

이 논문은 잠재적 협업 검색(Latent Collaborative Retrieval, LCR)을 소개한다. LCR는 사용자 쿼리, 사용자 프로필, 아이템 특징을 함께 고려하여 검색 작업의 순위를 향상시키는 인자 분해 모델이다. 쿼리-사용자-아이템 상호작용 텐서를 모델링함으로써 LCR는 상위 순위의 아이템 추천을 최적화하고, 실제 벤치마크에서 베이스라인을 능가하여 하이브리드 검색 및 협업 필터링 환경에서 뛰어난 성능을 입증한다.

ABSTRACT

Retrieval tasks typically require a ranking of items given a query. Collaborative filtering tasks, on the other hand, learn to model user's preferences over items. In this paper we study the joint problem of recommending items to a user with respect to a given query, which is a surprisingly common task. This setup differs from the standard collaborative filtering one in that we are given a query x user x item tensor for training instead of the more traditional user x item matrix. Compared to document retrieval we do have a query, but we may or may not have content features (we will consider both cases) and we can also take account of the user's profile. We introduce a factorized model for this new task that optimizes the top-ranked items returned for the given query and user. We report empirical results where it outperforms several baselines.

연구 동기 및 목표

• 기존의 검색 및 협업 필터링 시스템 간 격차를 메우기 위해 쿼리, 사용자 프로필, 아이템 선호도를 함께 모델링한다.
• 콘텐츠 기반 검색과 협업 필터링을 하나의 텐서 기반 모델에서 통합적으로 처리할 수 있는 통합 프레임워크를 제안한다.
• 각 쿼리-사용자 쌍에 대해 반환되는 상위-k 아이템의 순위 성능을 최적화하여 추천의 관련성 향상을 도모한다.
• 아이템 콘텐츠 특징이 있는 경우와 없는 경우를 모두 지원함으로써 실세계 응용에서의 유연성을 높인다.
• 쿼리, 사용자, 아이템 간 잠재적 상호작용을 포괄하는 요소 분해 모델을 개발하여 추천 정확도 향상에 기여한다.

제안 방법

• 사용자가 특정 쿼리 하에서 아이템을 선호하는 정도를 나타내는 3차원 텐서로 쿼리-사용자-아이템 상호작용을 모델링한다.
• 쿼리-사용자-아이템 텐서에 저랭크 행렬 분해를 적용하여 쿼리, 사용자, 아이템의 잠재 표현을 학습한다.
• 각 쿼리-사용자 쌍에 대해 관련된 아이템이 관련성이 없는 아이템보다 높게 순위가 매겨지도록 유도하는 마진 기반 순위 손실을 최적화한다.
• 사용자 프로필과 아이템 콘텐츠 특징을 잠재 공간에 통합하여 콘텐츠가 존재할 경우 하이브리드 모델링을 가능하게 한다.
• 학습 텐서에서 순위 오차를 최소화하기 위해 온라인 경량 최적화를 위한 확률적 경사 하강법을 사용하여 모델을 종합적으로 학습한다.
• 아이템 특징 임베딩을 포함하거나 생략함으로써 콘텐츠 없음 및 콘텐츠 인식 설정을 모두 허용한다.

실험 결과

연구 질문

• RQ1 쿼리 기반 검색과 협업 필터링을 하나의 통합 모델로 효과적으로 통합할 수 있는 방법은 무엇인가?
• RQ2 사용자 프로필과 아이템 콘텐츠를 통합할 경우 검색 작업의 순위 성능에 얼마나 기여하는가?
• RQ3 쿼리-사용자-아이템 텐서의 저랭크 분해가 기존의 협업 필터링 및 검색 베이스라인을 능가할 수 있는가?
• RQ4 아이템 콘텐츠가 없고 암시적 피드백(사용자-아이템 선호도)만 존재할 경우 모델의 성능은 어떻게 되는가?
• RQ5 쿼리, 사용자, 아이템을 함께 모델링함으로써 상위-k 추천 정확도에 어떤 영향을 미치는가?

주요 결과

• LCR 모델은 상위-k 순위 성능에서 표준 협업 필터링 및 검색 베이스라인을 뚜렷이 능가한다.
• 아이템 콘텐츠 특징이 없는 경우에도 성능 향상이 이루어져 결측 데이터에 대한 강건성을 입증한다.
• 사용자 프로필과 아이템 콘텐츠를 통합할 경우, 특히 데이터가 희박한 환경에서 성능 향상이 더욱 두드러진다.
• 마진 기반 순위 목적함수는 관련성에 대해 효과적으로 최적화하여 점수 기반 예측 방법보다 더 높은 순위의 결과를 도출한다.
• 기본 데이터셋에서의 실증 결과는 쿼리, 사용자, 아이템의 통합 모델링이 다양한 평가 지표에서 일관된 성능 향상을 이끌어낸다는 것을 확인한다.
• 요소 분해 텐서 모델은 다양한 데이터 희박성 수준과 쿼리 유형에서 잘 일반화됨을 보였다.