[논문 리뷰] Recent Advances in Diversified Recommendation

Qiong Wu, Yong Liu외 4명|arXiv (Cornell University)|2019. 05. 16.

Recommender Systems and Techniques참고 문헌 33인용 수 24

한 줄 요약

이 논문은 추천 시스템에서 다양성을 측정하고 최적화하기 위한 종합적인 분류 체계를 제안함으로써 최근의 다양성 추천 기술 발전을 검토한다. 개인의 다양성, 개인화, 시간적 동적 변화, 설명 가능성, 시각적 설계, 심리적 동기 요인을 강조하여 사용자 만족도 향상과 장기적 희소 항목 노출을 개선한다.

ABSTRACT

With the rapid development of recommender systems, accuracy is no longer the only golden criterion for evaluating whether the recommendation results are satisfying or not. In recent years, diversity has gained tremendous attention in recommender systems research, which has been recognized to be an important factor for improving user satisfaction. On the one hand, diversified recommendation helps increase the chance of answering ephemeral user needs. On the other hand, diversifying recommendation results can help the business improve product visibility and explore potential user interests. In this paper, we are going to review the recent advances in diversified recommendation. Specifically, we first review the various definitions of diversity and generate a taxonomy to shed light on how diversity have been modeled or measured in recommender systems. After that, we summarize the major optimization approaches to diversified recommendation from a taxonomic view. Last but not the least, we project into the future and point out trending research directions on this topic.

연구 동기 및 목표

• 정확도를 우선시하면서 다양성을 간과하는 전통적 추천 시스템의 한계를 해결하여, 좁은 범위 또는 인기 항목에 치우친 결과를 방지하기 위해.
• 다양성의 다층적 성격을 다양한 정의와 측정 방법을 검토함으로써 명확히 하기 위해.
• 기존 방법들을 체계적으로 분류하고 상관관계를 파악하며 이해하는 데 도움이 되는 다양성 최적화 기법의 체계적 분류 체계를 제공하기 위해.
• 개인화, 시간적 동적 변화, 설명 가능성, 시각적 다양성, 심리 기반 모델 등 다양성 추천 분야의 새로운 연구 방향을 특정하고 부각시키기 위해.
• 특히 개인 수준의 다양성에 중점을 두어, 기존 서베이에서 부족한 점을 메우고, 다양성에 대한 체계적이고 분류 기반의 검토를 제공하기 위해.

제안 방법

• 특성 유형(명시적 대비 암시적), 이질성 측정 방법, 모델링 수준(개별 대비 집합적 다양성)을 기반으로 한 다양성 정의의 분류 체계를 제안한다.
• 재순서, 손실 함수 수정, 모델 아키텍처 재설계의 세 가지 카테고리로 최적화 접근 방식을 분류하며, 각각 다양성을 증진하기 위한 고유한 메커니즘을 제공한다.
• 사용자별 선호도와 탐색심리 기반 행동을 통합함으로써 다양성의 개인화 개념을 도입하여 새로운 발견성과 관련성 향상을 도모한다.
• 시간적 다양성을 분석하기 위해 사용자 행동의 순차적 특성을 모델링하고, 시간 순서의 상호작용 간에 다양성이 유지되도록 하는 방법을 고려한다.
• 설명 가능한 다양성을 탐구하기 위해 추천의 근거와 항목의 신선성 및 관련성 간의 연결 전략을 제안함으로써 투명성을 향상시킨다.
• 레이아웃과 시각적 설계 고려 사항을 통해 시각적 다양성을 분석하며, 공간적 및 시각적 특징을 고려한 부분모듈러 재순서 프레임워크의 도입을 주장한다.

실험 결과

연구 질문

• RQ1 다양한 특성 유형과 모델링 수준에서 추천 시스템의 다양성을 체계적으로 정의하고 측정할 수 있는 방법은 무엇인가?
• RQ2 유사성 유지와 함께 개인 수준의 다양성을 향상시키기 위한 핵심 최적화 전략는 무엇이며, 그 효과는 상호 비교해 볼 수 있는가?
• RQ3 시간적 동적 변화를 다양성 추천에 통합하여 시간이 지남에 따라 다양성이 유지되도록 할 수 있는가?
• RQ4 설명 가능한 추천 기법은 어떻게 확장되어 다양성 인식 기반의 설명을 지원할 수 있는가?
• RQ5 시각적 설계와 심리적 원리(예: 호기심)는 다양성 추천 모델에 어떻게 통합될 수 있는가?

주요 결과

• 추천 시스템에서 다양성은 전체 사용자 간의 집합적 다양성보다는 개인 수준에서 가장 잘 이해되며, 이미 추천된 항목들에 비해 새로운 항목을 최대화하는 것이 목표이다.
• 콘텐츠 기반 및 협업 필터링 접근 방식은 유사성 기반 성격으로 인해 일반적으로 좁은 또는 인기 항목에 치우친 추천을 유도하므로, 명시적인 다양성 메커니즘이 필요하다.
• 시간적 다양성은 순차적 사용자 행동을 모델링하고 시간 순서의 상호작용 간에 의미 있는 다양성이 유지되도록 함으로써 향상될 수 있으나, 현재는 이를 다루는 모델이 거의 없다.
• 설명 가능한 다양성은 아직 탐색이 부족한 분야이며, 현재의 방법들은 관련성 설명에 집중하고 있으나, 새로운 발견성이나 다양성의 정당화는 다루지 못하고 있다.
• 레이아웃 인식 재순서를 통해 항목의 배치와 시각적 특징을 고려함으로써 시각적 다양성을 향상시킬 수 있으나, 기존 접근 방식은 카테고리 기반 부분모듈러 최적화에 국한되어 있다.
• 심리 기반 다양성, 특히 사용자 호기심과 사회적 영향을 모델링함으로써 장기 희소 항목을 발견하고 사용자 참여도를 향상시킬 수 있는 잠재력 있는 길을 제공하지만, 아직 연구의 초창기 단계에 머물러 있다.