[논문 리뷰] Preference Networks: Probabilistic Models for Recommendation Systems

Dinh Phung, Svetha Venkatesh|arXiv (Cornell University)|2007. 12. 03.

Recommender Systems and Techniques참고 문헌 22인용 수 18

한 줄 요약

이 논문은 콘텐츠 기반 필터링과 협업 필터링을 조건부 마르코프 무작위장(conditional Markov random field) 내에서 통합하는 통합된 확률적 프레임워크인 선호도 네트워크(PN)를 제안한다. 정규화된 가짜우도(pseudo-likelihood)를 활용함으로써 PN은 대규모 사용자-아이템 네트워크를 효과적으로 학습하고, 영화 평점 데이터에서 정확한 평점 예측 및 상위-N 추천을 가능하게 한다.

ABSTRACT

Recommender systems are important to help users select relevant and personalised information over massive amounts of data available. We propose an unified framework called Preference Network (PN) that jointly models various types of domain knowledge for the task of recommendation. The PN is a probabilistic model that systematically combines both content-based filtering and collaborative filtering into a single conditional Markov random field. Once estimated, it serves as a probabilistic database that supports various useful queries such as rating prediction and top-N recommendation. To handle the challenging problem of learning large networks of users and items, we employ a simple but effective pseudo-likelihood with regularisation. Experiments on the movie rating data demonstrate the merits of the PN.

연구 동기 및 목표

• 콘텐츠 기반 및 협업 필터링을 하나의 확률적 프레임워크로 통합하여 추천을 수행하기 위해.
• 통합된 확률적 구조 내에서 다양한 도메인 지식을 체계적으로 모델링하기 위해.
• 학습된 모델을 활용해 평점 예측 및 상위-N 추천과 같은 탄력적인 질의를 가능하게 하기 위해.
• 대규모 사용자-아이템 네트워크를 효율적으로 학습하는 과제를 해결하기 위해.
• 고차원 환경에서도 정확도를 유지하면서 확장 가능한 학습 방법을 개발하기 위해.

제안 방법

• 선호도 네트워크(PN)는 사용자가 아이템에 대해 가지는 선호도를 모델링하는 조건부 마르코프 무작위장으로 정의된다.
• 콘텐츠 기반 특징과 협업 신호를 하나의 확률적 그래픽 모델에 통합한다.
• 대규모 데이터셋에서 모델 파라미터를 효율적으로 학습하기 위해 정규화된 가짜우도 접근법을 사용한다.
• 추정된 PN은 추론 작업(예: 평점 예측 및 추천)을 지원하는 확률적 데이터베이스로 기능한다.
• 사용자-아이템 상호작용에 대한 구조적 질의를 지원하여 개인화된 추천을 가능하게 한다.
• 고차원 설정에서 과적합을 방지하기 위해 학습 중 정규화를 적용한다.

실험 결과

연구 질문

• RQ1 통합된 확률적 모델이 콘텐츠 기반 및 협업 필터링을 효과적으로 융합하여 추천 성능을 향상시킬 수 있는가?
• RQ2 다양한 도메인 지식은 하나의 추천 프레임워크 내에서 어떻게 체계적으로 모델링될 수 있는가?
• RQ3 정규화된 가짜우도는 대규모 사용자-아이템 네트워크에서 확장 가능한 학습을 가능하게 하는가?
• RQ4 제안된 프레임워크는 정확한 평점 예측 및 상위-N 추천을 지원하는가?
• RQ5 실제 세계 데이터에서 기준 모델 대비 모델 성능은 어떻게 평가되는가?

주요 결과

• 선호도 네트워크는 콘텐츠 기반 및 협업 필터링을 하나의 조건부 마르코프 무작위장으로 성공적으로 통합한다.
• 정규화된 가짜우도의 사용은 대규모 사용자-아이템 네트워크에서 효과적인 학습을 가능하게 한다.
• 모델은 평점 예측 및 상위-N 추천과 같은 탄력적인 질의를 지원한다.
• 영화 평점 데이터에 대한 실험 결과, PN은 뛰어난 성능을 보이며 그 효과성을 입증한다.
• 프레임워크는 통합된 확률적 구조 내에서 다양한 도메인 지식을 체계적으로 모델링할 수 있는 방법을 제공한다.
• 모델는 추론의 효율성과 개인화된 추천을 가능하게 하는 확률적 데이터베이스로 기능한다.