[논문 리뷰] Recommendation Through Mixtures of Heterogeneous Item Relationships

Wang-Cheng Kang, Mengting Wan외 1명|arXiv (Cornell University)|2018. 08. 29.

Recommender Systems and Techniques참고 문헌 40인용 수 5

한 줄 요약

이 논문은 일관된 공간에서 이동 거리 임베딩을 사용하여 개인화된 이질적 아이템 간 관계(명시적 및 암묵적 모두)의 혼합을 학습하는 순차적 추천 모델인 MoHR을 제안한다. 다양한 관계 유형(예: 유사성, 근접성, 동시 발생)에 대한 사용자별 선호도를 모델링함으로써, 아마존, 구글 로컬, 스팀을 포함한 여러 실생활 데이터셋에서 전체 및 상위 N 순위 추천 성능 모두에서 최신 기준 수준의 성능을 달성한다.

ABSTRACT

Recommender Systems have proliferated as general-purpose approaches to model a wide variety of consumer interaction data. Specific instances make use of signals ranging from user feedback, item relationships, geographic locality, social influence (etc.). Typically, research proceeds by showing that making use of a specific signal (within a carefully designed model) allows for higher-fidelity recommendations on a particular dataset. Of course, the real situation is more nuanced, in which a combination of many signals may be at play, or favored in different proportion by individual users. Here we seek to develop a framework that is capable of combining such heterogeneous item relationships by simultaneously modeling (a) what modality of recommendation is a user likely to be susceptible to at a particular point in time; and (b) what is the best recommendation from each modality. Our method borrows ideas from mixtures-of-experts approaches as well as knowledge graph embeddings. We find that our approach naturally yields more accurate recommendations than alternatives, while also providing intuitive `explanations' behind the recommendations it provides.

연구 동기 및 목표

• 기존 추천 시스템이 단일 고정 유형의 아이템 간 관계에 의존하는 데서 비롯하는 한계를 해결한다. 이는 다양한 사용자 선호도를 반영하지 못할 수 있다.
• 사용자가 다양한 시간대에 서로 다른 유형의 아이템 간 관계(예: 지리적, 사회적, 행동적)에 대해 동적으로 변화하는 민감도를 모델링한다.
• 명시적 및 암묵적 아이템 간 관계를 하나의 확률적 혼합 모델로 통합하여 추천 정확도를 향상시키는 통합 프레임워크를 개발한다.
• 각 추천의 배경이 되는 관계 유형(예: '유사', '근처', '보완')을 식별함으로써 해석 가능한 추천을 가능하게 한다.
• 다양한 희소성과 상호작용 패턴을 보이는 실생활 데이터셋에서 일반화 능력과 강건성을 입증한다.

제안 방법

• 이동 연산을 사용하여 공통 메트릭 공간 내에서 모든 아이템 간 관계(명시적 및 암묵적)를 벡터로 표현하며, 아이템 간 전이를 벡터 덧셈으로 모델링한다.
• 사용자 및 맥락에 따라 관계 유형에 대한 확률 분포를 학습하는 게이팅 네트워크를 활용한 개인화된 전문가 혼합 기법을 도입한다.
• 사용자 선호도 임베딩, 아이템 임베딩, 관계 유형별 전이 벡터를 동시에 최적화하기 위한 통합 다중 작업 학습 목표를 사용한다.
• 사용자 피드백에서 설명되지 않은 순차적 전이를 포괄하기 위해 암묵적 관계 유형 $ r_0 $ 을 도입함으로써 장거리 또는 암묵적 패턴을 탐지할 수 있도록 한다.
• 음성 샘플링과 순위 손실을 사용하여 엔드 투 엔드로 모델을 훈련함으로써 상위 N 추천 성능을 최적화한다.
• 지식 그래프 임베딩 원리(예: TransE 스타일 이동)를 활용하여 기울기 가능하고 확장 가능한 방식으로 관계 상호작용을 모델링한다.

실험 결과

연구 질문

• RQ1 다양한 이질적 아이템 간 관계(예: 유사성, 근접성, 동시 발생)를 통합적으로 조합하는 모델이 순차적 추천 정확도 향상에 효과적인가?
• RQ2 다양한 관계 유형에 대한 사용자별 선호도를 모델링할 경우, 고정 또는 단일 관계 모델 대비 추천 성능 향상 정도는 어떠한가?
• RQ3 순차적 피드백에서 학습된 암묵적 관계 유형은 명시적 관계를 초월해 의미 있는 장거리 전이 패턴을 얼마나 잘 포착할 수 있는가?
• RQ4 모델이 각 추천의 배경이 되는 관계 유형(예: '근처', '유사')을 식별함으로써 설명 가능한 해석을 제공할 수 있는가?
• RQ5 희소성과 밀도가 다른 데이터셋에서 MoHR은 딥러닝 기반 순차 모델(예: GRU4Rec, Caser)과 비교해 어떻게 성능을 내는가?

주요 결과

• MoHR는 테스트한 네 가지 데이터셋 전반에서 NDCG@10 기준 최신 기준 수준의 성능을 달성했다: Auto에서 0.3478, Video에서 0.5366, Google Local에서 0.6091, Steam에서 0.5598.
• 아마존 자동차 데이터셋에서 MoHR는 GRU4Rec(개선 버전) 및 Caser를 포함한 모든 베이스라인을 앞서며 뛰어난 상위 N 순위 성능을 입증했다.
• 암묵적 관계 $ r_0 $ 은 의미적으로 일관된 전이를 학습한다—예를 들어 유니버설 스튜디오에서 에펠탑으로의 전이—이로써 장거리 및 국소적이지 않은 패턴을 포착하고 있음을 시사한다.
• 정성적 분석 결과, MoHR는 맥락 인식 추천을 생성한다: 동일한 마지막 아이템에 대해 서로 다른 사용자는 추론된 관계 선호도에 따라 다른 추천을 받는다(예: 브랜드 전환 대비 액세서리 보완).
• 밀도가 높은 Steam 데이터셋에서는 MoHR가 GRU4Rec(개선 버전)보다 略적으로 성능이 열 劣하므로, 고밀도 환경에서는 고차원 패턴을 학습할 수 있는 딥러닝 기반 순차 모델이 여전히 MoHR를 능가할 수 있음을 시사한다.
• 사용자와 아이템에 기반한 관계 유형 확률 $ P(r|u,i) $ 를 통한 추천 설명 기능은 사용자 행동에 대한 직관적이고 이해하기 쉬운 통찰을 제공한다.