[논문 리뷰] Matrix Factorization with Explicit Trust and Distrust Relationships

Rana Forsati, Mehrdad Mahdavi외 2명|arXiv (Cornell University)|2014. 08. 02.

Recommender Systems and Techniques참고 문헌 62인용 수 4

한 줄 요약

이 논문은 사회적 평점 네트워크에서 사용자 간의 신뢰 및 불신 관계를 명시적으로 통합하여 추천 정확도를 향상시키고 데이터 희소성 및 콜드스터트 문제를 완화하는 행렬 분해 모델을 제안한다. 신뢰와 불신 관계를 통합 최적화 프레임워크에 통합함으로써, Epinions 데이터셋에서 표준의 신뢰만을 고려하는 또는 불신만을 고려하는 기준 모델보다 성능을 뛰어넘으며, 불신 정보가 추천 품질을 크게 향상시킨다는 점을 입증한다.

ABSTRACT

With the advent of online social networks, recommender systems have became crucial for the success of many online applications/services due to their significance role in tailoring these applications to user-specific needs or preferences. Despite their increasing popularity, in general recommender systems suffer from the data sparsity and the cold-start problems. To alleviate these issues, in recent years there has been an upsurge of interest in exploiting social information such as trust relations among users along with the rating data to improve the performance of recommender systems. The main motivation for exploiting trust information in recommendation process stems from the observation that the ideas we are exposed to and the choices we make are significantly influenced by our social context. However, in large user communities, in addition to trust relations, the distrust relations also exist between users. For instance, in Epinions the concepts of personal "web of trust" and personal "block list" allow users to categorize their friends based on the quality of reviews into trusted and distrusted friends, respectively. In this paper, we propose a matrix factorization based model for recommendation in social rating networks that properly incorporates both trust and distrust relationships aiming to improve the quality of recommendations and mitigate the data sparsity and the cold-start users issues. Through experiments on the Epinions data set, we show that our new algorithm outperforms its standard trust-enhanced or distrust-enhanced counterparts with respect to accuracy, thereby demonstrating the positive effect that incorporation of explicit distrust information can have on recommender systems.

연구 동기 및 목표

• 협업 필터링에서의 데이터 희소성 및 콜드스터트 문제를 해결하기 위해 사회적 관계를 활용하고자 한다.
• 기존의 신뢰 외에 아직 활용되지 않은 잠재적 잠재력이 있는 명시적 불신 관계의 잠재력을 탐색하고자 한다.
• 신뢰와 불신을 보조 정보로 모델링하는 통합된 행렬 분해 프레임워크를 개발하고자 한다.
• 불신을 통합함으로써 신뢰 전용 모델을 초월해 추천 정확도가 향상됨을 경험적으로 검증하고자 한다.
• 제안된 프레임워크에서 확률적 및 경사 하강법의 최적화 행동과 수렴 특성을 조사하고자 한다.

제안 방법

• 모델는 사용자 간의 신뢰 및 불신 관계에 대해 별도의 잠재 요인 갱신을 도입함으로써 표준 행렬 분해를 확장한다.
• 관측된 평점의 예측 오차를 최소화하면서도, 신뢰 및 불신 관계와의 일관성 부족을 방지하는 최적화 문제를 설정한다.
• 목적 함수는 평점 예측 오차 손실와 허프 막대 손실 항을 포함하며, 이는 신뢰 관계를 가진 사용자의 평점이 더 큰 영향을 미치도록 보장한다.
• 목적 함수를 최적화하기 위해 전체 경사 하강법(GD)과 다양한 배치 크기를 가진 확률적 경사 하강법(SGD)을 모두 활용한다.
• 최적화 프레임워크는 편향 없는 경사 추정치를 사용하며, 배치 크기가 분산 제어를 통해 수렴 속도에 영향을 미친다.
• 모델은 사용자 간에 명시적 신뢰 및 불신 관계를 포함하는 Epinions 데이터셋에서 학습된다.

실험 결과

연구 질문

• RQ1 명시적 불신 관계가 기존의 신뢰 기반 모델을 초월해 추천 정확도를 향상시킬 수 있는가?
• RQ2 신뢰와 불신을 모두 통합함으로써 데이터 희소성 및 콜드스터트 문제 완화에 어떤 영향을 미치는가?
• RQ3 다양한 배치 크기를 가진 SGD와 전체 경사 하강법(GD) 간의 최적화 전략 상대적 성능은 어떠한가?
• RQ4 신뢰 및 불신 제약 조건은 최적화 과정의 수렴 행동에 어떤 영향을 미치는가?
• RQ5 통합된 행렬 분해 모델은 단일 학습 프레임워크에서 신뢰 및 불신 신호를 효과적으로 균형 잡을 수 있는가?

주요 결과

• 신뢰와 불신을 모두 통합한 제안된 모델은 RMSE 및 RME 정확도 지표에서 신뢰 전용 및 불신 전용 기준 모델을 모두 초월한다.
• 전체 경사 하강법(GD)은 더 빠르게 수렴하며 목표 함수가 단조롭게 감소하는 반면, SGD 방법은 높은 변동성을 보이지만 반복당 비용이 낮다.
• 더 큰 배치 크기(예: B=0.3*|Ω_S|)를 가진 SGD는 더 작은 배치 크기보다 더 빠르게 수렴한다. 이는 경사의 분산이 감소하기 때문이다.
• 모델는 불신 정보가 중요한 보조 정보로 기능하며 추천 품질을 크게 향상시킨다는 점을 입증한다.
• 허프 막대 손실 함수는 지수 손실보다 예측 정확도 측면에서 더 우수한 성능을 보였지만, 후자는 더 부드러운 최적화에 유리하다.
• 경험적 결과는 신뢰와 불신을 모두 통합함으로써 콜드스터트 사용자에게 특히 더 견고하고 정확한 추천이 가능하다는 점을 시사한다.