[논문 리뷰] Movie rating prediction using content-based and link stream features

Tiphaine Viard, Raphaël Fournier-S’niehotta|arXiv (Cornell University)|2018. 05. 08.

Image and Video Quality Assessment참고 문헌 17인용 수 6

한 줄 요약

이 논문은 사용자-아이템 상호작용의 시간적 동적 변화와 구조적 패턴을 포착하는 링크 스트림 특징과 콘텐츠 기반 특징을 XGBoost 모델에 통합함으로써 영화 평점 예측을 위한 새로운 접근법을 제안한다. 이 방법은 콘텐츠 기반 기준 모델보다 유의하게 뛰어난 성능을 보이며, 링크 스트림이 협업 필터링의 성능 향상과 해석 가능성 향상에 기여할 잠재력을 보여준다. 실험은 MovieLens 20M 데이터셋에서 수행되었다.

ABSTRACT

While graph-based collaborative filtering recommender systems have been introduced several years ago, there are still several shortcomings to deal with, the temporal information being one of the most important. The new link stream paradigm is aiming at extending graphs for correctly modelling the graph dynamics, without losing crucial information. We investigate the impact of such link stream features for recommender systems. by designing link stream features, that capture the intrinsic structure and dynamics of the data. We show that such features encode a fine-grained and subtle description of the underlying recommender system. Focusing on a traditional recommender system context, the rating prediction on the MovieLens20M dataset, we input these features along with some content-based ones into a gradient boosting machine (XGBoost) and show that it outperforms significantly a sole content-based solution. These encouraging results call for further exploration of this original modelling and its integration to complete state-of-the-art recommender systems algorithms. Link streams and graphs, as natural visualizations of recommender systems, can offer more interpretability in a time when algorithm transparency is an increasingly important topic of discussion. We also hope to sparkle interesting discussions in the community about the links between link streams and tensor factorization methods: indeed, they are two sides of the same object.

연구 동기 및 목표

• 사용자-아이템 상호작용의 시간적 동적 변화와 구조적 패턴을 모델링하는 링크 스트림 특징이 영화 평점 예측에 미치는 영향을 조사하는 것.
• 콘텐츠 기반 모델에 비해 링크 스트림 기반 기술자가 대규모 추천 시스템에서 성능을 향상시키는지 평가하는 것.
• 협업 필터링에서 링크 스트림 특징의 해석 가능성과 투명성을 탐색하여 점점 증가하는 알고리즘 해석 가능성에 대한 우려를 해결하는 것.
• 시간에 따라 변화하는 상호작용을 모델링하기 위한 자연스러운 프레임워크로 링크 스트림을 도입함으로써 추천 시스템과 동적 네트워크 분석 간 격차를 메우는 것.
• 최신 추천 알고리즘에 링크 스트림 특징을 통합하고 텐서 분해와의 연관성을 탐색함으로써 향후 연구를 자극하는 것.

제안 방법

• 모든 상호작용을 시간이 표시된 사용자-아이템 간 링크로 표현하는 이원적 링크 스트림으로 사용자-아이템 상호작용 데이터를 모델링하여 시간적 동적 변화를 유지한다.
• 시간적 근접성 밀도, 동적 중심성, 군집 계수와 같은 링크 스트림 기반 특징을 추출하여 변화하는 상호작용 패턴을 포착한다.
• 이러한 동적 특징을 기존의 콘텐츠 기반 특징(예: 영화 장르, 사용자 인구통계학적 정보)과 결합하여 통합된 특징 행렬을 구성한다.
• 0.5~5 스케일의 평점을 예측하기 위해 복합 특징 세트를 기반으로 기울기 부스팅 머신(XGBoost)을 훈련시킨다.
• 링크 스트림 모델이 시간에 따른 변화를 세밀한 해상도를 유지하면서도 잘 표현할 수 있는지 검증하기 위해 시간 빈 기반의 사용자-아이템 행렬 시퀀스를 사용한다.
• MovieLens 20M 데이터셋에서 표준 회귀 평가 지표를 사용하여 성능을 평가하고, 콘텐츠 전용 모델 및 최신 기준 모델과 비교한다.

실험 결과

연구 질문

• RQ1 사용자-아이템 상호작용의 시간적 및 구조적 동적 변화를 코딩하는 링크 스트림 특징이 협업 필터링에서 평점 예측 성능을 향상시키는가?
• RQ2 대규모 데이터셋인 MovieLens 20M에서 링크 스트림 기반 특징은 순수하게 콘텐츠 기반 특징에 비해 예측 정확도에서 어떻게 비교되는가?
• RQ3 링크 스트림 특징이 추천 결정의 해석 가능성과 설명 가능성에 어느 정도 기여하는가?
• RQ4 사용자 평점 예측에 가장 예측력 있는 동적 구조적 특성(예: 근접성 밀도, 중심성)은 무엇인가?
• RQ5 링크 스트림 모델링이 기존 협업 필터링 프레임워크에 시간적 동적 변화를 통합하는 데 기초가 될 수 있는가? 이 과정에서 모델의 해석 가능성은 손상되지 않는가?

주요 결과

• 콘텐츠 기반 특징과 링크 스트림 특징을 XGBoost 모델에 통합함으로써 MovieLens 20M 데이터셋에서 평점 예측 정확도가 콘텐츠 기반 전용 기준 모델보다 유의미하게 향상되었다.
• 링크 스트림 특징은 정적 그래프를 넘어서 시간에 따라 변화하는 상호작용의 세밀하고 미묘하며 의미 있는 표현을 포착하며, 시간적 진화와 구조적 패턴을 잘 반영한다.
• 제안된 방법은 최신 기준 성능에 약간 미치지 못하지만, 향후 최적화와 특징 공학의 여지가 있음을 시사한다.
• 링크 스트림을 사용함으로써 해석 가능성 향상이 이루어졌으며, 근접성 밀도나 중심성과 같은 동적 특징이 추천의 이유를 직관적으로 설명할 수 있게 해준다.
• 이 연구는 링크 스트림이 시간에 따라 변화하는 추천 시스템을 위한 자연스럽고 강력한 모델링 프레임워크가 될 수 있음을 입증하였으며, 그래프 이론과 시간 네트워크 분석 간 다리를 놓는 데 기여한다.
• 저자들은 링크 스트림에 적합한 커뮤니티 탐지 및 중심성 측정 방법의 개발이 필요하다고 지적하며, 향후 알고리즘 개발을 위한 유망한 방향성을 제시한다.