[논문 리뷰] Maximizing profit using recommender systems

Aparna Das, Claire Mathieu외 1명|ArXiv.org|2009. 08. 25.

Recommender Systems and Techniques참고 문헌 12인용 수 34

한 줄 요약

이 논문은 전통적인 추천을 항목의 수익성에 따라 조정하면서도 유저 신뢰를 유지를 위해 유사도 제약 조건을 적용하는 수익성 인식 추천 시스템을 제안한다. 사용자 선호도와의 딱지 유사도 임계값 내에서 최적화함으로써, 이 방법은 표준 추천에서 약 10%의 편차를 보이면서도 판매자 수익을 약 22% 증가시킨다.

ABSTRACT

Traditional recommendation systems make recommendations based solely on the customer's past purchases, product ratings and demographic data without considering the profitability the items being recommended. In this work we study the question of how a vendor can directly incorporate the profitability of items into its recommender so as to maximize its expected profit while still providing accurate recommendations. Our approach uses the output of any traditional recommender system and adjust them according to item profitabilities. Our approach is parameterized so the vendor can control how much the recommendation incorporating profits can deviate from the traditional recommendation. We study our approach under two settings and show that it achieves approximately 22% more profit than traditional recommendations.

연구 동기 및 목표

• 정확도만을 고려하는 전통적인 추천 시스템이 항목 수익성을 간과하는 격차를 해결하기 위해.
• 사용자 신뢰를 훼손하지 않으면서도 판매자가 예상 수익을 극대화할 수 있도록 하기 위해.
• 기존 추천 정확도와 수익 극대화 사이의 통제 가능한 트레이드오프를 가능하게 하는 방법을 개발하기 위해.
• 기존 추천 시스템에 통합될 수 있는 일반화 가능한 프레임워크를 제공하기 위해.

제안 방법

• 이 방법은 예측된 사용자 평점 벡터 $\vec{c}$ 를 사용하고, 이에 대해 유사도를 유지하면서 예상 수익을 극대화하는 추천 벡터 $\vec{r}$ 로 조정한다.
• 신뢰도 측정 지표로 딱지 유사도 계수를 사용하여 추천이 예측된 사용자 선호도와 가까이 유지되도록 보장한다.
• 최적화 문제는 제약 조건 $Dice(\vec{r}) \geq \tau$ 를 만족하면서 예상 수익 $E_p(\vec{r}) = \sum_i p_i r_i$ 를 극대화하는 방식으로 설정된다.
• 이 방법은 가능한 수익 값에 대해 이진 탐색을 수행하고, 각 결정 단계마다 라그랑주 승수 문제를 푸는 방식을 사용한다.
• 각 후보 수익 값 $V$ 에 대해, $\sum_i (p_i - V)r_i \geq 0$ 이고 $Dice(\vec{r}) \geq \tau$ 를 만족하는 타당한 $\vec{r}$ 가 존재하는지 여부를 판단하는 결정 문제를 수행한다.
• 각 하위 문제의 해는 라그랑주 승수를 사용하여 유도되며, $r_i$ 는 $p_i$, $c_i$, 그리고 라그랑주 승수 $\lambda$ 에 대한 닫힌 형태의 표현식을 포함한다.

실험 결과

연구 질문

• RQ1 판매자가 사용자 신뢰를 훼손하지 않으면서 추천에 항목 수익성을 통합하는 방법은 무엇인가?
• RQ2 추천 정확도와 수익 극대화 사이의 최적 트레이드오프는 무엇인가?
• RQ3 수익 인식 추천 시스템은 사용자 만족도를 유지하면서도 상당한 수익 증대를 이룰 수 있는가?
• RQ4 유사도 및 수익성 제약 조건 하에서 최적화 문제를 효율적으로 해결하는 방법은 무엇인가?

주요 결과

• 제안된 방법은 전통적인 추천 시스템 대비 약 22%의 판매자 수익 증가를 달성한다.
• 표준 추천에서 약 10%의 편차를 보일 뿐이지만, 수익 증가율은 약 22%에 이른다.
• 이진 탐색을 통한 수익 값에 대한 반복적 최적화와 반복적 라그랑주 승수 최적화를 통해 근사 최적 해를 달성한다.
• 이 방법은 기존 추천 시스템이 제공하는 예측 사용자 평점에 기반하여 어떤 시스템에도 통합될 수 있는 일반성 있는 접근이다.
• 사용자 평점의 관찰된 변동성에 기반하여 딱지 유사도 계수를 신뢰도 측정 지표로 사용하는 것이 경험적으로 타당하다.