[논문 리뷰] Link Prediction Approach to Recommender Systems

T. Jaya Lakshmi, S. Durga Bhavani|arXiv (Cornell University)|2021. 02. 18.

Recommender Systems and Techniques인용 수 4

한 줄 요약

이 논문은 사용자-아이템 상호작용을 이분할 네트워크로 모델링하여 링크 예측 기반 추천 시스템을 제안한다. 확률적 및 시간적 링크 예측 측정법을 활용해 추천 정확도를 향상시킨다. 시간적 측정법, 예를 들어 시간적 동시 발생 확률(TCOP)이 기존의 협업 필터링을 능가하며, MovieLens 데이터셋에서 AUROC는 10% 향상되고 AUPR은 140% 향상됨을 입증한다.

ABSTRACT

The problem of recommender system is very popular with myriad available solutions. A novel approach that uses the link prediction problem in social networks has been proposed in the literature that model the typical user-item information as a bipartite network in which link prediction would actually mean recommending an item to a user. The standard recommender system methods suffer from the problems of sparsity and scalability. Since link prediction measures involve computations pertaining to small neighborhoods in the network, this approach would lead to a scalable solution to recommendation. One of the issues in this conversion is that link prediction problem is modelled as a binary classification task whereas the problem of recommender systems is solved as a regression task in which the rating of the link is to be predicted. We overcome this issue by predicting top k links as recommendations with high ratings without predicting the actual rating. Our work extends similar approaches in the literature by focusing on exploiting the probabilistic measures for link prediction. Moreover, in the proposed approach, prediction measures that utilize temporal information available on the links prove to be more effective in improving the accuracy of prediction. This approach is evaluated on the benchmark 'Movielens' dataset. We show that the usage of temporal probabilistic measures helps in improving the quality of recommendations. Temporal random-walk based measure T_Flow improves recommendation accuracy by 4% and Temporal cooccurrence probability measure improves prediction accuracy by 10% over item-based collaborative filtering method in terms of AUROC score.

연구 동기 및 목표

• 기존 협업 필터링 추천 시스템의 확장성 및 희소성 문제를 해결하기 위해.
• 특히 확률적 및 시간적 측정법을 포함한 링크 예측 기법을 사용자-아이템 추천 작업에 적응시키기 위해.
• 정적 유사도 측정법을 초월해 시간 정보가 추천 정확도 향상에 기여하는 정도를 평가하기 위해.
• 이분할 사용자-아이템 네트워크에 특화된 시간적 동시 발생 확률 측정법을 제안하고 구현하기 위해.
• 실제 세계 데이터셋에서 표준 협업 필터링 및 기준 링크 예측 측정법과의 비교를 통해 제안된 방법의 성능을 평가하기 위해.

제안 방법

• 사용자와 아이템을 노드로, 평점을 간선으로 하는 이분할 그래프로 사용자-아이템 상호작용을 모델링한다.
• 이분할 환경에서 표준 링크 예측 측정법(예: 공통 이웃, 자카르드, 아다믹-아다르, 선호도 연결)을 적용한다.
• 공동 발생 확률 같은 확률 측정법을 확장하고, 시간 스탬프가 부여된 상호작용을 통합하기 위해 시간적 공동 발생 확률(TCOP)을 도입한다.
• 최근 상호작용에 더 높은 가중치를 주는 시간 기반 링크 예측 측정법(예: 타임 스코어(TS), 링크 스코어(LS), T_Flow, TCOP)를 사용한다.
• 정확도 평가를 위해 AUROC, AUPR, 랭크 스코어 지표를 사용하며, 정확한 평점 예측 없이 상위-k 추천을 생성한다.
• LPMade 도구를 사용해 MovieLens 1M 데이터셋에서 모든 방법을 평가하며, 기본 설정과 표준화된 유사도 계산(사용자 기반 CF에는 피어슨, 아이템 기반 CF에는 코사인)을 적용한다.

실험 결과

연구 질문

• RQ1 이분할 사용자-아이템 네트워크에서 링크 예측이 기존 협업 필터링의 확장 가능한 대안으로 효과적으로 기능할 수 있는가?
• RQ2 링크 예측 측정법에 시간 정보를 통합할 경우 정적 측정법 대비 추천 정확도에 어떤 영향을 미치는가?
• RQ3 공동 발생 및 시간적 공동 발생 확률 같은 확률 기반 링크 예측 측정법이 기준 방법 대비 추천 품질을 얼마나 향상시키는가?
• RQ4 제안된 시간적 공동 발생 확률(TCOP) 측정법이 실세계 추천 과제에서 기존 시간 기반 및 비시간 기반 링크 예측 기법을 초월하는가?
• RQ5 제안된 링크 예측 방법은 AUROC, AUPR, 랭크 스코어 측면에서 표준 사용자 기반 및 아이템 기반 협업 필터링과 비교해 어떻게 성능을 내는가?

주요 결과

• 시간적 동시 발생 확률(TCOP)은 최고의 AUROC 점수 0.8165를 기록하여 아이템 기반 협업 필터링(0.7136)보다 10.2% 포인트 높게 기록했다.
• TCOP는 AUPR을 0.2351로 향상시켜 다음으로 우수한 방법(T_Flow, 0.0960)보다 140% 향상되었고, 아이템 기반 협업 필터링(0.0491)보다 40% 향상되었다.
• T_Flow는 아이템 기반 협업 필터링 대비 AUROC를 4% 향상시켜 시간 기반 무작위 보행 모델링의 이점을 입증했다.
• 모든 시간 기반 링크 예측 측정법(TS_B, LS_B, TF_B, TCOP_B)이 모든 평가 지표에서 사용자 기반 및 아이템 기반 협업 필터링을 모두 초월했다.
• 랭크 스코어 지표는 TCOP가 최고 성능을 내었으며, 8.6304의 점수를 기록하여 아이템 기반 협업 필터링(3.0274)보다 뚜렷이 높았다.
• 결과는 링크 예측에 시간 역학을 통합할 경우 추천 정확도가 향상되며, 특히 변화하는 사용자 선호도를 포착하는 데 유용하다는 점을 입증한다.