[논문 리뷰] Multi-Domain Collaborative Filtering

Yu Zhang, Bin Cao외 1명|arXiv (Cornell University)|2012. 03. 15.

Recommender Systems and Techniques참고 문헌 32인용 수 98

한 줄 요약

이 논문은 확률적 행렬 분해와 적응형 도메인 상관관계 학습을 통해 다수의 도메인 간 지식을 이전하는 확률적 다중도메인 협업 필터링(MCF) 프레임워크를 제안한다. 실험 결과, 데이터 희소성 문제를 교차 도메인 지식 이전과 학습된 링크 함수를 통한 편향 보정으로 완화함으로써 실세계 데이터셋에서 단일 도메인 및 기준 다중작업 방법보다 유의하게 높은 추천 정확도를 달성한다.

ABSTRACT

Collaborative filtering is an effective recommendation approach in which the preference of a user on an item is predicted based on the preferences of other users with similar interests. A big challenge in using collaborative filtering methods is the data sparsity problem which often arises because each user typically only rates very few items and hence the rating matrix is extremely sparse. In this paper, we address this problem by considering multiple collaborative filtering tasks in different domains simultaneously and exploiting the relationships between domains. We refer to it as a multi-domain collaborative filtering (MCF) problem. To solve the MCF problem, we propose a probabilistic framework which uses probabilistic matrix factorization to model the rating problem in each domain and allows the knowledge to be adaptively transferred across different domains by automatically learning the correlation between domains. We also introduce the link function for different domains to correct their biases. Experiments conducted on several real-world applications demonstrate the effectiveness of our methods when compared with some representative methods.

연구 동기 및 목표

• 다양한 관련 도메인을 동시에 활용하여 협업 필터링에서 발생하는 데이터 희소성 문제를 해결하기 위해.
• 다양한 사용자-아이템 평점 체계 간 상관관계를 학습하여 도메인 간 효과적인 지식 이전을 가능하게 하기 위해.
• 평가 척도 간 척도 및 이동 편향을 보정하기 위해 적응형 링크 함수를 통해 도메인 특화 편향을 수정하기 위해.
• 공유된 사용자 선호도를 활용하여 데이터가 적은 환경에서 추천 정확도를 향상시키기 위해.
• 다수의 협업 필터링 작업을 동시에 모델링하는 통합된 확률적 프레임워크를 개발하기 위해.

제안 방법

• 각 도메인 내 사용자 및 아이템 잠재 요인을 모델링하기 위해 확률적 행렬 분해(PMF)를 사용한다.
• 모델이 도메인 간 상관관계를 자동으로 학습할 수 있도록 공통된 사전 분포 구조를 도입한다.
• 잠재 표현 간의 매핑을 위해 링크 함수를 활용하여 척도 및 이동 편향을 보정한다.
• 다양한 도메인 간 매개변수를 동시에 추정하기 위해 계층 베이지안 프레임워크를 적용하고 적응형 정규화를 사용한다.
• 다중도메인 환경에서 효율적인 매개변수 추정을 위해 변분 추론을 사용한다.
• 일반화 성능 향상을 위해 도메인 특화 사전 및 교차 도메인 의존성을 통합한다.

실험 결과

연구 질문

• RQ1 한 도메인의 지식이 평점 데이터가 희소한 다른 도메인의 추천 성능을 향상시킬 수 있는가?
• RQ2 협업 필터링에서 효과적인 전이 학습을 가능하게 하기 위해 도메인 상관관계를 자동으로 학습할 수 있는가?
• RQ3 도메인 편향이 교차 도메인 추천에 미치는 영향은 무엇이며, 이를 어떻게 보정할 수 있는가?
• RQ4 다양한 도메인을 동시에 모델링하는 것이 단일 도메인 또는 독립된 모델보다 더 높은 성능을 내는가?
• RQ5 제안된 MCF 프레임워크는 기존의 다중작업 및 전이 학습 방법과 비교해 어떻게 성능을 냈는가?

주요 결과

• 제안된 MCF 프레임워크는 실세계 데이터셋에서 RMSE 및 MAE 측면에서 단일 도메인 협업 필터링 방법보다 유의미하게 뛰어난 성능을 보였다.
• 모델은 도메인 상관관계와 편향을 명시적으로 모델링함으로써 기준 다중작업 학습 접근법보다 뛰어난 성능을 달성했다.
• 링크 함수의 포함으로 인해 교차 도메인 추천 정확도에 측정 가능한 향상이 있었다.
• 기존 협업 필터링이 실패하는 희소 데이터셋에서도 프레임워크가 뛰어난 강건성을 보였다.
• 자동으로 도메인 상관관계를 학습함으로써 수동적인 도메인 정렬이 필요 없이 효과적인 전이가 가능했다.
• 실험 결과, MCF 모델이 테스트된 데이터셋에서 최첨단 기준 대비 예측 오차를 최대 15%까지 감소시켰다.