[논문 리뷰] Personalized Transfer of User Preferences for Cross-domain Recommendation

Yongchun Zhu, Zhenwei Tang외 6명|arXiv (Cornell University)|2021. 10. 21.

Recommender Systems and Techniques인용 수 14

한 줄 요약

이 논문은 메타 네트워크를 사용해 개별 사용자별로 개인화된 선호도 브리지 함수를 생성하는 새로운 교차 도메인 추천 프레임워크 PTUPCDR를 제안한다. 이는 소스 도메인에서 타겟 도메인으로 사용자 선호도를 더 정확하게 전이하는 데 기여한다. 공통 브리지가 아닌 사용자별로 맞춤화된 브리지 함수를 학습함으로써, 실제 데이터셋에서 추천 성능이 냉시작 및 온도 시작 상황에서 크게 향상된다.

ABSTRACT

Cold-start problem is still a very challenging problem in recommender systems. Fortunately, the interactions of the cold-start users in the auxiliary source domain can help cold-start recommendations in the target domain. How to transfer user's preferences from the source domain to the target domain, is the key issue in Cross-domain Recommendation (CDR) which is a promising solution to deal with the cold-start problem. Most existing methods model a common preference bridge to transfer preferences for all users. Intuitively, since preferences vary from user to user, the preference bridges of different users should be different. Along this line, we propose a novel framework named Personalized Transfer of User Preferences for Cross-domain Recommendation (PTUPCDR). Specifically, a meta network fed with users' characteristic embeddings is learned to generate personalized bridge functions to achieve personalized transfer of preferences for each user. To learn the meta network stably, we employ a task-oriented optimization procedure. With the meta-generated personalized bridge function, the user's preference embedding in the source domain can be transformed into the target domain, and the transformed user preference embedding can be utilized as the initial embedding for the cold-start user in the target domain. Using large real-world datasets, we conduct extensive experiments to evaluate the effectiveness of PTUPCDR on both cold-start and warm-start stages. The code has been available at https://github.com/easezyc/WSDM2022-PTUPCDR.

연구 동기 및 목표

• 보조 소스 도메인에서 타겟 도메인으로 사용자 선호도를 전이하여 추천 시스템의 냉시작 문제를 해결한다.
• 기존 교차 도메인 추천 방법의 한계를 극복한다. 즉, 모든 사용자에게 동일한 하나의 공통 선호도 브리지 함수를 사용하는 방식이다.
• 사용자별 선호도 관계를 모델링하여 타겟 도메인과 소스 도메인 간의 선호도를 개인화된 방식으로 전이한다.
• 사용자 적응형 선호도 변환을 통해 냉시작 및 온도 시작 사용자 모두의 추천 성능을 향상시킨다.
• 타겟 도메인 사용자 임베딩에 의존하지 않고도 안정적인 최적화 절차를 개발한다.

제안 방법

• 소스 도메인의 사용자 특성 임베딩을 입력으로 받아 개인화된 브리지 함수를 생성하는 메타 네트워크를 활용한다.
• 타겟 도메인 사용자 임베딩이 필요 없이도 안정적인 훈련을 가능하게 하기 위해 태스크 기반 최적화 절차를 사용해 메타 네트워크를 훈련시킨다.
• 메타 네트워크가 생성한 개인화된 브리지 함수를 사용해 소스 도메인 사용자 임베딩을 타겟 도메인 임베딩으로 변환한다.
• 변환된 임베딩을 타겟 도메인에서 냉시작 사용자의 초기 표현으로 활용한다.
• 다양한 소스 도메인 항목의 중요도를 동적으로 가중치를 부여하기 위해 주의 기반 특성 인코더를 활용한다.
• 최적화 과정에서 타겟 임베딩에 직접 의존하지 않도록, 변환된 소스 임베딩과 진정 타겟 임베딩 간의 격리 차이를 최소화하는 손실 함수를 사용해 메타 네트워크를 엔드 투 엔드로 훈련시킨다.

실험 결과

연구 질문

• RQ1 개별 사용자에게 맞춤화된 개인화된 선호도 브리지 함수가 모든 사용자에게 공통으로 사용하는 브리지 함수보다 교차 도메인 추천에서 더 우수한 성능을 낼 수 있는가?
• RQ2 사용자별 선호도 전이 방식이 냉시작 사용자에 대한 추천 성능에 어떤 영향을 미치는가?
• RQ3 태스크 기반 최적화 절차는 메타 네트워크 훈련의 안정성과 효과성에 어떤 영향을 미치는가?
• RQ4 주의 기반 특성 인코더를 사용할 경우, 관련된 소스 도메인 항목에 집중함으로써 선호도 전이의 품질을 얼마나 향상시킬 수 있는가?
• RQ5 개인화된 브리지 함수와 공통 브리지 함수를 사용했을 때, 변환된 임베딩의 분포가 진정 타겟 임베딩과 얼마나 유사한가?

주요 결과

• PTUPCDR는 냉시작 및 온도 시작 추천 작업 모두에서 기존의 CDR 방법, 특히 EMCDR 및 기타 브리지 기반 모델보다 뚜렷한 성능 향상을 달성한다.
• 잠재 요인 시각화 결과, PTUPCDR의 변환된 임베딩는 EMCDR의 경우처럼 과도하게 뭉쳐져 있는 것과 달리 더 넓게 분포되어 있으며, 진정 타겟 임베딩과 더 잘 일치함을 확인할 수 있다.
• 특성 인코더에 통합된 주의 메커니즘은 관련된 소스 도메인 항목(예: 과학 소설 영화가 하드록 CD 추천에 영향을 미침)을 효과적으로 식별하고 우선순위를 부여하여 불필요한 항목으로 인한 노이즈를 감소시킨다.
• 제거 실험 결과, 개인화된 메타 네트워크와 주의 기반 인코더 모두 모델의 성능 향상에 기여한다는 점이 확인되었다.
• 태스크 기반 최적화 절차 덕분에 메타 네트워크의 안정적인 훈련이 가능해졌으며, 기존의 매핑 기반 최적화에서 흔히 발생하는 불안정성 문제를 피할 수 있었다.
• 대규모 실제 데이터셋에서 PTUPCDR는 Recall@K 및 NDCG@K와 같은 표준 평가 지표에서 강력한 베이스라인들을 능가하며, 이는 모델의 견고성과 일반화 능력을 입증한다.