[논문 리뷰] Network-Based Video Recommendation Using Viewing Patterns and Modularity Analysis: An Integrated Framework

Mehrdad Maghsoudi, MohammdHossein Valikhan외 1명|arXiv (Cornell University)|2023. 08. 24.

Recommender Systems and Techniques인용 수 5

한 줄 요약

이 논문은 시청 패턴과 모듈러리티 분석을 활용하여 비디오 온디맨드(VO) 플랫폼에서 개인화를 향상시키는 네트워크 기반 영상 추천 프레임워크를 제안한다. 암시적 피드백(예: 시청 비율)을 사용하여 사용자-항목 상호작용 그래프를 구축하고, 중심성 측정법(도수, 가까움, 중간성)을 적용하며, 모듈러리티 기반 클러스터링을 통해 콘텐츠 그룹화를 실시함으로써, 기존 방법 대비 클릭률 63% 향상, 시청 완료율 24% 향상, 사용자 만족도 17% 향상 등의 성과를 달성한다.

ABSTRACT

The proliferation of video-on-demand (VOD) services has led to a paradox of choice, overwhelming users with vast content libraries and revealing limitations in current recommender systems. This research introduces a novel approach by combining implicit user data, such as viewing percentages, with social network analysis to enhance personalization in VOD platforms. The methodology constructs user-item interaction graphs based on viewing patterns and applies centrality measures (degree, closeness, and betweenness) to identify important videos. Modularity-based clustering groups related content, enabling personalized recommendations. The system was evaluated on a documentary-focused VOD platform with 328 users over four months. Results showed significant improvements: a 63% increase in click-through rate (CTR), a 24% increase in view completion rate, and a 17% improvement in user satisfaction. The approach outperformed traditional methods like Naive Bayes and SVM. Future research should explore advanced techniques, such as matrix factorization models, graph neural networks, and hybrid approaches combining content-based and collaborative filtering. Additionally, incorporating temporal models and addressing scalability challenges for large-scale platforms are essential next steps. This study contributes to the state of the art by introducing modularity-based clustering and ego-centric ranking methods to enhance personalization in video recommendations. The findings suggest that integrating network-based features and implicit feedback can significantly improve user engagement, offering a cost-effective solution for VOD platforms to enhance recommendation quality.

연구 동기 및 목표

• 과도한 콘텐츠 라이브러리로 인해 발생하는 선택의 역설 문제를 해결하기 위해 비디오 온디맨드(VOD) 플랫폼에서의 개인화를 향상시키기 위해.
• 시청 비율과 같은 암시적 사용자 피드백을 활용하여 추천 시스템의 개인화를 향상시키기 위해.
• 중심성 측정법과 모듈러리티 기반 클러스터링을 포함한 네트워크 과학 기법을 통해 추천 품질을 향상시키기 위해.
• 4개월 간의 실제 사용자 데이터를 기반으로 다큐멘터리 중심의 VOD 플랫폼에서 프레임워크를 평가하기 위해.
• 기존의 방법(예: 나이브 베이즈, SVM)에 비해 주요 참여 지표에서 뛰어난 성능을 보여주기 위해.

제안 방법

• 시청 비율과 같은 암시적 시청 패턴을 기반으로 사용자-항목 상호작용 그래프를 구축하기 위해.
• 상호작용 그래프에 도수, 가까움, 중간성 측정법을 적용하여 영향력 있거나 중요한 영상을 식별하기 위해.
• 모듈러리티 최적화를 통해 관련 콘텐츠의 커뮤니티를 탐지하고, 콘텐츠 기반 클러스터링을 통해 개인화된 추천을 가능하게 하기 위해.
• 사용자 중심의 네트워크 이웃 구역을 기반으로 영상 우선순위를 정하는 이고센트릭 랭킹 전략을 구현하기 위해.
• 암시적 평가가 필요 없이 개인화를 향상시키는 혼합 추천 프레임워크에 네트워크 기반 특징을 통합하기 위해.
• 다큐멘터리 중심의 VOD 플랫폼에서 328명의 실제 사용자 데이터를 4개월 간 사용하여 시스템을 평가하기 위해.

실험 결과

연구 질문

• RQ1 완료율과 같은 암시적 시청 패턴을 효과적으로 모델링하여 영상 추천 정확도를 향상시킬 수 있는가?
• RQ2 사용자-항목 상호작용 네트워크에서 중심성 측정법이 관련성 있거나 인기 있는 영상 식별에 어느 정도 기여하는가?
• RQ3 모듈러리티 기반 클러스터링이 VOD 플랫폼에서 추천의 개인화를 향상시킬 수 있는가?
• RQ4 제안된 네트워크 기반 프레임워크는 나이브 베이즈와 SVM과 같은 전통적인 기계학습 방법에 비해 참여 지표 측면에서 어떻게 비교되는가?
• RQ5 암시적 피드백과 네트워크 구조를 통합함으로써 클릭률 및 시청 완료율과 같은 핵심 성과 지표에 어떤 영향을 미치는가?

주요 결과

• 제안된 프레임워크는 기준 방법 대비 클릭률 63% 향상했다.
• 시스템은 시청 완료율을 24% 향상시켜 추천 콘텐츠에 대한 사용자 참여도가 높다는 것을 나타냈다.
• 사용자 평가 설문조사나 피드백 메커니즘을 통해 측정한 결과, 사용자 만족도가 17% 향상되었다.
• 네트워크 기반 접근 방식은 나이브 베이즈 및 SVM과 같은 기존 분류기보다 모든 평가 지표에서 뛰어난 성능을 보였다.
• 모듈러리티 기반 클러스터링은 의미적으로 관련된 영상을 효과적으로 그룹화하여 더 일관되고 개인화된 추천 세트를 가능하게 했다.
• 이교센트릭 랭킹과 네트워크 중심성 측정법의 통합은 추천의 관련성과 개인화 수준을 향상시켰다.