[논문 리뷰] Making Use of Affective Features from Media Content Metadata for Better Movie Recommendation Making.

John Kalung Leung, Igor Griva외 1명|arXiv (Cornell University)|2020. 07. 01.

Sentiment Analysis and Opinion Mining참고 문헌 19인용 수 6

한 줄 요약

이 논문은 이동성 기반 감정 감지 모델을 사용하여 영화 메타데이터에서 유도된 정서적 특징을 통합하여 영화 추천을 향상시키는 방법을 제안한다. 영화 개요에서 정서 태그를 임bedding하고 사용자 평점 벡터와 결합함으로써, SVD-CF 프레임워크 내에서 거리 기반 측도를 통해 상위 5개 목록에서 정확도를 60% 향상시켰으며, 기준 보조 필터링보다 뛰어난 성능을 보였다.

ABSTRACT

Our goal in this paper aims to investigate the causality in the decision making of movie recommendations from a Recommender perspective through the behavior of users' affective moods. We illustrate a method of assigning emotional tags to a movie by auto-detection of the affective attributes in the movie overview. We apply a text-based Emotion Detection and Recognition model, which trained by the short text of tweets, and then transfer the model learning to detect the implicit affective features of a movie from the movie overview. We vectorize the affective movie tags through embedding to represent the mood of the movie. Whereas we vectorize the user's emotional features by averaging all the watched movie's vectors, and when incorporated the average ratings from the user rated for all watched movies, we obtain the weighted vector. We apply the distance metrics of these vectors to enhance the movie recommendation making of a Recommender. We demonstrate our work through an SVD based Collaborative Filtering (SVD-CF) Recommender. We found an improved 60\% support accuracy in the enhanced top-5 recommendation computed by the active test user distance metrics versus $40\%$ support accuracy in the top-5 recommendation list generated by the SVD-CF Recommender

연구 동기 및 목표

• 사용자의 정서적 기분이 영화 추천 의사결정 과정에서 수행하는 역할을 조사하는 것.
• 영화 메타데이터에서 유도된 정서적 특징을 통합하여 보조 필터링 성능을 향상시키는 것.
• 트위터 기반 감정 모델에서 전이 학습을 통해 영화 개요에서 암시적 정서적 특성 자동 감지 방법을 개발하는 것.
• 유사도 기반 추천을 위해 영화 및 사용자 정서 상태를 벡터 임베딩으로 표현하는 것.
• 정서적 벡터 간 거리 기반 측도가 보조 필터링 프레임워크 내 추천 정확도에 미치는 영향을 평가하는 것.

제안 방법

• 짧은 트윗 데이터로 사전 훈련된 텍스트 기반 감정 감지 모델을 사용자 정의하여 영화 개요의 정서적 특성 감지에 전이 및 미세조정한다.
• 영화 설명에서 정서 태그를 추출하고, 각 영화의 분위기를 나타내는 밀도 높은 벡터 임베딩으로 변환한다.
• 사용자가 시청한 모든 영화의 벡터 임베딩 평균을 계산하여 사용자 정서적 특징을 산출한다.
• 시청한 영화의 평균 평점과 평균 분위기 벡터를 조합하여 가중치가 부여된 사용자 벡터를 형성한다.
• 사용자와 영화의 분위기 벡터 간 유사도를 거리 기반 측도로 계산하여 추천 순서를 안내한다.
• 향상된 정서적 벡터 표현 방식을 SVD 기반 보조 필터링(SVD-CF) 추천 시스템에 통합하여 성능 향상시킨다.

실험 결과

연구 질문

• RQ1 영화 메타데이터에서 유도된 정서적 특징은 어떻게 영화 추천 정확도를 향상시킬 수 있는가?
• RQ2 시청한 영화에서 유도된 사용자 기분 벡터를 통합할 경우 추천 성능 향상 정도는 어느 정도인가?
• RQ3 트위터 기반 감정 감지 모델을 영화 개요에서 암시적 정서적 특성 추출에 효과적으로 전이할 수 있는가?
• RQ4 사용자와 영화의 분위기 벡터 간 거리 기반 측도는 상위 5개 추천 품질에 어떻게 영향을 미치는가?
• RQ5 정서적 특징을 SVD-CF에 통합했을 때 추천 정확도 향상 정도는 얼마나 측정 가능한가?

주요 결과

• 제안된 방법은 정서적 벡터 간 거리 기반 측도를 사용하여 상위 5개 추천에서 60%의 지원 정확도를 달성했다.
• 기준 SVD-CF 추천 시스템은 동일한 상위 5개 추천 작업에서 단지 40%의 지원 정확도를 기록했다.
• 표준 보조 필터링과 비교할 때 정서적 특징 통합이 추천 성능 향상에 뚜렷한 영향을 미쳤다.
• 트위터 기반 감정 감지 모델을 영화 개요에 전이하여 암시적 정서적 특성 추출이 효과적으로 이루어졌다.
• 영화 임베딩 평균과 평점 가중치를 통합한 사용자 기분 벡터는 추천 항목의 관련성을 향상시켰다.
• 감정 인식 벡터 간 거리 기반 측도의 사용으로 추천 정확도가 20个百分点 향상되었다.