[논문 리뷰] Modeling User Exposure in Recommendation

Dawen Liang, Laurent Charlin외 2명|arXiv (Cornell University)|2015. 10. 23.

Recommender Systems and Techniques참고 문헌 30인용 수 4

한 줄 요약

이 논문은 사용자가 아이템에 노출된 정도를 잠재변수로 명시적으로 모델링하는 확률적 협업 필터링 모델인 Exposure MF(ExpoMF)를 제안한다. 이는 노출와 사용자 선호도를 분리하여, 미클릭된 아이템이 단순히 노출되지 않았기 때문인지, 아니면 진짜로 관심이 없기 때문인지의 구분을 가능하게 한다. 데이터로부터 노출를 추론하고, 콘텐츠, 위치 등의 노출 공변량을 통합함으로써, 최신 기법들보다 더 높은 추천 정확도를 달성한다. 다양한 데이터셋(콘텐츠, 위치 공변량 유무 포함)에서 베이스라인 기법들을 능가한다.

ABSTRACT

Collaborative filtering analyzes user preferences for items (e.g., books, movies, restaurants, academic papers) by exploiting the similarity patterns across users. In implicit feedback settings, all the items, including the ones that a user did not consume, are taken into consideration. But this assumption does not accord with the common sense understanding that users have a limited scope and awareness of items. For example, a user might not have heard of a certain paper, or might live too far away from a restaurant to experience it. In the language of causal analysis, the assignment mechanism (i.e., the items that a user is exposed to) is a latent variable that may change for various user/item combinations. In this paper, we propose a new probabilistic approach that directly incorporates user exposure to items into collaborative filtering. The exposure is modeled as a latent variable and the model infers its value from data. In doing so, we recover one of the most successful state-of-the-art approaches as a special case of our model, and provide a plug-in method for conditioning exposure on various forms of exposure covariates (e.g., topics in text, venue locations). We show that our scalable inference algorithm outperforms existing benchmarks in four different domains both with and without exposure covariates.

연구 동기 및 목표

• 암시적 피드백 추천에서, 클릭되지 않은 아이템이 모두 싫어하는 것으로 잘못 가정되는 문제를 해결하기 위해.
• 노출 메커니즘을 확률적 모델에서 잠재변수로 공식화하여, 사용자 선호도에 대한 원칙적인 추론을 가능하게 하기 위해.
• 클릭되지 않은 아이템에 대한 히우리스틱한 가중치 조정 방법보다 우수한 스케일러블 추론 알고리즘을 개발하기 위해.
• 콘텐츠, 위치 등의 노출 공변량을 모델에 통합하여 노출 추정 및 추천 성능을 향상시키기 위해.
• 음악, 학술 논문, 북마크, 장소 체크인 등 다양한 도메인에서 이 프레임워크의 효과성을 입증하기 위해.

제안 방법

• ExpoMF는 사용자 $u$가 아이템 $i$에 노출되었는지를 나타내는 잠재 이진변수 $a_{ui}$로 사용자 노출를 모델링하며, 확률적 행렬 분해 프레임워크를 사용해 사용자 선호도와 노출를 동시에 추론한다.
• 노출 예측을 위해 로지스틱 회귀 성분을 사용한다: $\mathbb{E}[a_{ui}] = \sigma(\mathbf{\psi}_u^\top \mathbf{x}_i + \gamma_u)$, 여기서 $\mathbf{x}_i$는 노출 공변량(예: 주제 벡터, 장소 위치)을 의미한다.
• 사용자-아이템 상호작용은 이항분포로 모델링되며, 상호작용 확률은 사용자 선호도와 노출 여부에 모두 의존한다.
• 사용자 선호도와 노출 확률을 번갈아 추정하는 반복적 기대최대화(EM)-스타일 추론 알고리즘을 사용한다.
• 콘텐츠 기반 노출의 경우, LDA로부터 유도된 주제 벡터를 공변량으로 사용하며, 위치 기반 노출의 경우, 장소 위치의 $K$-means 군집화를 통해 노출 특징을 정의한다.
• 다양한 공변량을 활용한 노출 모델링을 쉽게 통합할 수 있어, 탄력적이고 해석 가능한 노출 추정이 가능하다.

실험 결과

연구 질문

• RQ1 협업 필터링에서 사용자 노출를 잠재변수로 모델링하여 추천 정확도를 향상시킬 수 있는가?
• RQ2 노출와 선호도 추정을 분리하면, 클릭되지 않은 아이템에 대한 히우리스틱한 가중치 조정보다 성능이 더 우수한가?
• RQ3 아이템 콘텐츠나 지리적 위치와 같은 노출 공변량은 노출 추정과 후속 추천에 어떻게 기여하는가?
• RQ4 제안된 모델은 음악, 학술 논문, 북마크, 장소 체크인과 같은 다양한 도메인에 일반화되는가?
• RQ5 ExpoMF는 가중치 행렬 분해(WMF) 및 Hu 등[8]의 신뢰도 기반 방법과 같은 최신 기법들을 능가하는가?

주요 결과

• ExpoMF는 음악, 학술 전자인쇄물, 북마크, Gowalla 체크인 데이터셋 등 연구에서 다룬 네 가지 데이터셋 전반에서 Hu 등[8]의 최신 기법을 능가한다.
• Gowalla 데이터셋에서 Location ExpoMF는 Recall@20가 0.129를 기록하여 WMF(0.122)와 per-item $\mu_i$를 사용한 ExpoMF(0.118)를 모두 앞선다.
• 노출 공변량을 사용할 경우, Content ExpoMF와 Location ExpoMF가 더 단순한 ExpoMF 모델보다 성능이 뛰어나, 외부 정보 통합의 이점을 입증한다.
• 노출 공변량을 통합한 모델의 성능은, 위치 정보로 추천을 필터링하는 단순한 FilterWMF를 포함한 모든 베이스라인보다 뛰어나다.
• 히우리스틱한 가중치 조정의 이론적 근거를 제공하며, 노출를 잠재변수로 모델링함으로써 이러한 관행를 정당화한다.
• 실험 결과는 노출 공변량을 통한 모델링이, 노출가 균일하게 분포하지 않을 경우 특히 더 나은 상호작용 예측 성능을 제공함을 보여준다.