[논문 리뷰] Online Context-Dependent Clustering in Recommendations based on Exploration-Exploitation Algorithms

Shuai Li, Claudio Gentile외 2명|arXiv (Cornell University)|2016. 08. 06.

Advanced Bandit Algorithms Research참고 문헌 35인용 수 4

한 줄 요약

이 논문은 선호도 패턴을 기반으로 사용자와 아이템을 동적으로 그룹화하는 두 가지 온라인, 맥락에 의존적인 군집화 알고리즘을 제안한다. 이는 맥락적 다중 손잡이 밴딧에서 탐색-이용 전략을 활용하여 추천 시스템에 적용된다. 제안된 방법은 최신 기술보다 예측 성능과 확장성 측면에서 향상된 성능을 보이며, 한 알고리즘은 선형 스토하스틱 노이즈 조건 하에서 유한한 실수(регRET)를 보임을 증명하였다.

ABSTRACT

We investigate two context-dependent clustering techniques for content recommendation based on exploration-exploitation strategies in contextual multi-armed bandit settings. Our algorithms dynamically group users based on the items under consideration and, possibly, group items based on the similarity of the clusterings induced over the users. The resulting algorithm thus takes advantage of preference patterns in the data in a way akin to collaborative filtering methods. We provide an empirical analysis on extensive real-world datasets, showing scalability and increased prediction performance over state-of-the-art methods for clustering bandits. For one of the two algorithms we also give a regret analysis within a standard linear stochastic noise setting.

연구 동기 및 목표

• 맥락적 밴딧 설정 하에서 추천 시스템 내 동적 사용자 및 아이템 군집화 문제를 해결하기 위해.
• 협업 필터링과 유사한 선호도 패턴을 온라인 및 적응형 방식으로 활용하여 추천 정확도를 향상시키기 위해.
• 맥락 인식 군집화를 통해 실시간 추천 환경에서의 확장성과 낮은 실수를 보장하기 위해.
• 선형 스토하스틱 노이즈 설정 하에서 제안된 알고리즘 중 하나에 대해 실수에 대한 이론적 보장을 제공하기 위해.

제안 방법

• 알고리즘은 현재 고려 중인 아이템의 맥락에 기반해 사용자 군집을 동적으로 형성함으로써 맥락에 의존하는 선호도 모델링을 가능하게 한다.
• 탐색-이용 전략을 사용해 온라인으로 군집을 업데이트함으로써 새로운 발견과 추천 정확도 사이의 균형을 유지한다.
• 한 알고리즘은 선형 스토하스틱 노이즈 모델을 사용해 이론적 실수 경계를 유도하여 장기적인 성능 보장을 확보한다.
• 사용자 군집에 의해 유도된 유사성 분석을 통해 아이템 군집화를 지원함으로써 패턴 탐지 능력을 향상시킨다.
• 사용자-아이템 상호작용을 맥락적 밴딧 프레임워크 내에서 캡처함으로써 정적 군집화 가정을 피함으로써 선호도 패턴을 포착한다.
• 협업 필터링 원리를 밴딧 학습 프레임워크에 통합함으로써 적응형이고 데이터 기반의 그룹화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 온라인 추천 시스템에서 사용자 및 아이템 군집화를 어떻게 맥락에 의존적으로 만들 수 있는가?
• RQ2 탐색-이용 전략은 맥락적 밴딧 설정에서 군집화 품질과 추천 성능을 향상시킬 수 있는가?
• RQ3 선형 스토하스틱 노이즈 조건 하에서 제안된 군집 밴딧 알고리즘의 이론적 실수 성능은 어떠한가?
• RQ4 제안된 방법은 최신 기술의 군집 밴딧과 비교해 실제 추천 데이터셋에서 얼마나 잘 확장되고 일반화되는가?

주요 결과

• 제안된 알고리즘은 광범위한 실제 데이터셋에서 최신 기술의 군집 밴딧 방법보다 뛰어난 예측 성능을 보였다.
• 제안된 알고리즘 중 하나는 표준 선형 스토하스틱 노이즈 조건 하에서 유한한 실수를 달성하여 이론적 성능 보장을 제공하였다.
• 동적 군집화 메커니즘이 온라인 클러스터링이 필요 없이 협업 필터링과 유사한 사용자 행동의 선호도 패턴을 효과적으로 포착하였다.
• 온라인 및 적응형 군집화 접근 방식 덕분에 대규모 추천 환경에서도 효율적으로 확장될 수 있었다.
• 실험 결과는 맥락에 의존적인 군집화가 다양한 아이템 간 사용자 선호도 유사성을 활용함으로써 추천 정확도를 향상시킨다는 것을 확인하였다.
• 탐색-이용 전략을 군집화에 통합함으로써 냉시작 및 희박한 사용자-아이템 상호작용을 더 잘 다룰 수 있었다.