[논문 리뷰] Leveraging Long and Short-term Information in Content-aware Movie Recommendation

Wei Zhao, Chai, Haixia외 5명|arXiv (Cornell University)|2017. 12. 25.

Recommender Systems and Techniques참고 문헌 29인용 수 5

한 줄 요약

이 논문은 적대적 훈련을 통해 장기(행렬 분해) 및 단기(RNN 기반) 사용자 선호도를 모두 활용하는 콘텐츠 인식 영화 추천 모델인 LSIC을 제안한다. 영화 포스터 특징을 통합하고 생성자-판별자 프레임워크에 강화 학습을 적용함으로써, Netflix-3M 및 MovieLens 데이터셋에서 상위 10개 순위 성능이 최신 기술 수준(SOTA)을 달성한다.

ABSTRACT

Movie recommendation systems provide users with ranked lists of movies based on individual's preferences and constraints. Two types of models are commonly used to generate ranking results: long-term models and session-based models. While long-term models represent the interactions between users and movies that are supposed to change slowly across time, session-based models encode the information of users' interests and changing dynamics of movies' attributes in short terms. In this paper, we propose an LSIC model, leveraging Long and Short-term Information in Content-aware movie recommendation using adversarial training. In the adversarial process, we train a generator as an agent of reinforcement learning which recommends the next movie to a user sequentially. We also train a discriminator which attempts to distinguish the generated list of movies from the real records. The poster information of movies is integrated to further improve the performance of movie recommendation, which is specifically essential when few ratings are available. The experiments demonstrate that the proposed model has robust superiority over competitors and sets the state-of-the-art. We will release the source code of this work after publication.

연구 동기 및 목표

• 기존 추천 모델이 장기 또는 단기 사용자 행동에만 집중하는 한계를 해결하기 위해.
• 낮은 평점 데이터 환경에서 영화 포스터의 시각적 콘텐츠를 통합하여 추천 성능을 향상시키기 위해.
• 행렬 분해를 통한 장기 사용자 선호도와 RNN을 통한 단기 행동 역학을 효과적으로 융합하는 통합 프레임워크를 개발하기 위해.
• 생성자-판별자 설정을 통한 적대적 훈련을 통해 모델의 강건성과 순위 품질을 향상시키기 위해.
• 세션 길이와 후보 집합 크기가 추천 성능에 미치는 영향을 조사하기 위해.

제안 방법

• LSIC 모델은 사용자 이력과 시간을 기반으로 영화를 순차적으로 추천하는 강화 학습 에이전트로 기능하는 생성 모델(G)을 사용한다.
• 판별 모델(D)은 실재 사용자 상호작용 시퀀스와 생성된 시퀀스를 구별하기 위해 시아모이 네트워크로 훈련되며, 이는 적대적 훈련을 가능하게 한다.
• 생성자는 정책 기반 강화 학습을 통해 훈련되며, 보상은 판별자로부터 제공되어 추천 품질을 향상시킨다.
• 영화 포스터 특징은 CNN을 사용해 추출되어 사용자 및 아이템 임베딩 공간에 융합되어 콘텐츠 인식 추천을 향상시킨다.
• 재순서 전략을 적용하여 후보 영화를 먼저 행렬 분해(MF)를 통해 필터링한 후, LSIC로 재순서하여 추론 비용을 절감한다.
• 모델은 장기(MF) 및 단기(RNN) 표현을 모두 포함하며, RNN은 세션 동안 사용자 관심의 동적 변화를 캡처한다.

실험 결과

연구 질문

• RQ1 장기 및 단기 사용자 선호도를 융합하면 상위-N 영화 추천 성능이 향상되는가?
• RQ2 포스터의 시각적 콘텐츠를 통합하면, 특히 낮은 평점 데이터 환경에서 추천 정확도에 어떤 영향을 미치는가?
• RQ3 생성자-판별자 프레임워크를 통한 적대적 훈련이 추천 품질과 다양성에 어느 정도 향상시키는가?
• RQ4 단기 모델링에 사용되는 세션 윈도우 길이에 모델 성능이 얼마나 민감한가?
• RQ5 재순서에 가장 적합한 후보 집합 크기는 무엇이며, 이는 추론 효율성과 순위 정확도에 어떤 영향을 미치는가?

주요 결과

• LSIC는 Netflix-3M 및 MovieLens 데이터셋에서 IRGAN, RNN, LambdaFM 및 기타 최신 기술 수준 모델보다 Precision@5 및 NDCG@5에서 최신 기술 수준의 성능을 달성한다.
• 제거 분석 결과 강화 학습이 성능 향상에 가장 기여하며, 이어 포스터 정보가 이어지며, 두 구성 요소 모두 순위 품질 향상에 뚜렷한 기여를 한다.
• 모델은 긍정적인 영화를 더 높은 순위로 랭킹한다 — 예를 들어, 사용자 '8003'의 경우 '9 souls'가 5위에서 1위로 상승한다. 또한 다른 모델이 간과하는 새로운 관련 영화인 'Session 9'과 'The Last Valley'도 성공적으로 추천한다.
• MF 후보 100개로 재순서 시 최적의 성능을 달성한다. 이 이상이 되면 낮은 품질의 긴 꼬리 후보들이 포함되어 성능이 저하된다.
• RNN 구성 요소는 후속 세션에서 점점 더 효과적으로 작용하며, 충분한 상호작용 이력이 확보된 경우 단기 모델링이 추천 품질을 향상시킨다.
• 학습 곡선은 안정적인 훈련을 보이며 심각한 성능 저하 없이, 최고 성능을 보인 생성자를 추론에 선택한다.