[논문 리뷰] Loss Aversion in Recommender Systems: Utilizing Negative User Preference to Improve Recommendation Quality

Bibek Paudel, Sandro Luck외 1명|arXiv (Cornell University)|2018. 12. 29.

Recommender Systems and Techniques참고 문헌 6인용 수 8

한 줄 요약

이 논문은 추천 품질을 햖थ기 위해 메트릭 러닝을 사용하여 음성 사용자 선호도를 명시적으로 모델링하는 새로운 추천 시스템인 Two-Class Collaborative Metric Learning (TC-CML)을 제안한다. 손실 회피 원리에 기반하여 TC-CML은 상위-k 추천에서 음성 항목을 줄이며 정확도를 향상시켜, Goodbooks-10k 및 Movielens 1M 데이터셋에서 CML을 능가한다.

ABSTRACT

Negative user preference is an important context that is not sufficiently utilized by many existing recommender systems. This context is especially useful in scenarios where the cost of negative items is high for the users. In this work, we describe a new recommender algorithm that explicitly models negative user preferences in order to recommend more positive items at the top of recommendation-lists. We build upon existing machine-learning model to incorporate the contextual information provided by negative user preference. With experimental evaluations on two openly available datasets, we show that our method is able to improve recommendation quality: by improving accuracy and at the same time reducing the number of negative items at the top of recommendation-lists. Our work demonstrates the value of the contextual information provided by negative feedback, and can also be extended to signed social networks and link prediction in other networks.

연구 동기 및 목표

• 추천 시스템에서 음성 사용자 피드백이 부족하게 활용되는 문제, 특히 고비용 실패 상황에서의 문제를 해결하기 위해.
• 행동경제학의 손실 회피 이론에 기반하여 음성 선호도를 명시적으로 모델링함으로써 추천 품질을 향상시키기 위해.
• 추천 목록 상단에서 음성 평가를 받은 항목의 수를 줄여 사용자 경험을 향상시키기 위해.
• 협업 메트릭 러닝(CML)을 확장하여 양성 및 음성 피드백을 구분함으로써 랭킹 정확도를 향상시키기 위해.

제안 방법

• 이 방법은 양성 및 음성 사용자 선호도를 명시적으로 모델링하는 이중 피드백 프레임워크를 도입함으로써 CML을 확장한다.
• 이중 페어 간의 간격을 최적화하기 위해 힌지 손실을 사용하여 임베딩 공간에서 양성 페어 간의 거리를 최소화하고 음성 페어 간의 거리를 최대화한다.
• 각 사용자에 대해 평균 평점 이하의 평점은 음성으로 분류하고, 평균 평점 이상의 평점은 양성으로 분류함으로써 이진 피드백 분류를 가능하게 한다.
• 모델은 마이너스 배치 학습과 음성 샘플링을 사용하며, 각 양성 페어에 대해 힌지 손실을 최대화하는 가장 위반 정도가 높은 음성 항목을 선택한다.
• 임베딩 차원은 그리드 서치를 통해 최적화되며, ML-1M에선 d=70, Goodbooks-10k에선 d=100으로 설정된다.
• 항목 특징은 사용자가 생성한 태그에서 유도되며, 희귀하거나 철자 오류 발생 가능성이 높은 항목을 제거한 후 메트릭 러닝 프레임워크의 입력으로 사용된다.

실험 결과

연구 질문

• RQ1 협업 필터링 시스템에서 음성 사용자 선호도를 명시적으로 모델링하면 추천 정확도가 향상되는가?
• RQ2 손실 회피 원리를 통합함으로써 상위-k 추천 목록에서 음성 항목의 존재가 얼마나 감소하는가?
• RQ3 TC-CML은 CML 대비 정밀도, 재현율 및 상위-k에서의 음성 항목 비율 측면에서 어떻게 비교되는가?
• RQ4 TC-CML의 성능 향상 효과는 다양한 희소성과 평점 분포를 가진 데이터셋 간에도 유지되는가?
• RQ5 제안된 방법은 서명된 네트워크에서의 링크 예측과 같은 다른 작업으로 일반화될 수 있는가?

주요 결과

• Goodbooks-10k 데이터셋에서 TC-CML는 R@10에서 12.5% 향상(0.92 대비 0.82)과 P@10에서 9% 향상(0.61 대비 0.56)을 달성했다.
• Goodbooks에서 NI@10은 0.020에서 0.018로 감소하여 상위 추천 항목의 음성 항목 수가 유의미하게 감소함을 보여주었다.
• 더 밀도가 높은 ML-1M 데이터셋에서 TC-CML는 R@10을 0.12에서 0.13으로, P@10을 0.63에서 0.66으로 향상시켜 상위 10개 정확도에서 더 강한 성과를 보였다.
• ML-1M에서 NI@10은 0.031에서 0.028로 감소하여 TC-CML가 고영향도 위치에서 음성 추천을 효과적으로 줄임을 확인했다.
• 모델은 음성 피드백을 명시적으로 모델링함으로써 모든 메트릭에서 성능을 유지하거나 향상시켰으며, 이는 추천 시스템에서 맥락 기반 손실 회피의 가치를 입증한다.
• 결과는 메트릭 러닝을 통한 음성 피드백 통합이 정확도 향상과 함께 나쁜 추천의 심리적 비용을 최소화함으로써 사용자 경험을 향상시킨다는 것을 시사한다.