[논문 리뷰] Recommender System for News Articles using Supervised Learning

Akshay Chaturvedi, Filipa Peleja외 1명|arXiv (Cornell University)|2017. 07. 03.

Recommender Systems and Techniques참고 문헌 11인용 수 8

한 줄 요약

이 논문은 주제 기반 특징을 사용하여 사용자 선호도를 예측하는 지도 학습 기반 뉴스 기사 추천 시스템을 제안한다. 사용자 평점 예측에 선형 회귀, 나이브 베이즈, 로지스틱 회귀를 평가하여 특징 공학과 모델 선택이 성능에 상당한 영향을 미친다는 것을 입증하며, 특히 사용된 데이터셋에서 로지스틱 회귀가 뛰어난 성능을 보였다.

ABSTRACT

In the last decade we have observed a mass increase of information, in particular information that is shared through smartphones. Consequently, the amount of information that is available does not allow the average user to be aware of all his options. In this context, recommender systems use a number of techniques to help a user find the desired product. Hence, nowadays recommender systems play an important role. Recommender Systems' aim to identify products that best fits user preferences. These techniques are advantageous to both users and vendors, as it enables the user to rapidly find what he needs and the vendors to promote their products and sales. As the industry became aware of the gains that could be accomplished by using these algorithms, also a very interesting problem for many researchers, recommender systems became a very active area since the mid 90's. Having in mind that this is an ongoing problem the present thesis intends to observe the value of using a recommender algorithm to find users likes by observing her domain preferences. In a balanced probabilistic method, this thesis will show how news topics can be used to recommend news articles. In this thesis, we used different machine learning methods to determine the user ratings for an article. To tackle this problem, supervised learning methods such as linear regression, Naive Bayes and logistic regression are used. All the aforementioned models have a different nature which has an impact on the solution of the given problem. Furthermore, number of experiments are presented and discussed to identify the feature set that fits best to the problem.

연구 동기 및 목표

• 사용자 선호도를 예측하기 위해 지도 기계 학습을 사용하는 추천 시스템을 개발하는 것.
• 선형 회귀, 나이브 베이즈, 로지스틱 회귀와 같은 다양한 지도 학습 모델이 사용자 평점 예측에 얼마나 효과적인지 평가하는 것.
• 뉴스 기사 주제를 기반으로 사용자 선호도를 모델링하기 위한 최적의 특징 세트를 규명하는 것.
• 모델 선택과 특징 공학이 추천 정확도에 미치는 영향을 분석하는 것.

제안 방법

• 시스템은 사용자 선호도를 나타내기 위해 뉴스 기사 주제를 입력 특징으로 사용한다.
• 선형 회귀, 나이브 베이즈, 로지스틱 회귀와 같은 지도 학습 모델이 사용자 평점 스케일을 예측하도록 훈련된다.
• 데이터셋은 주제 특징을 추출하기 위해 사전 처리되며, 이는 사용자 평점의 예측 변수로 사용된다.
• 다양한 특징 세트와 알고리즘을 비교하는 실험을 통해 모델 성능을 평가한다.
• 교차 검증과 표준 평가 지표를 사용하여 모델 정확도와 일반화 능력을 평가한다.
• 모델 간 공정한 비교를 보장하기 위해 균형 잡힌 확률적 접근법을 사용한다.

실험 결과

연구 질문

• RQ1 선형 회귀, 나이브 베이즈, 또는 로지스틱 회귀 중 어느 지도 학습 모델이 뉴스 기사에 대한 사용자 평점 예측에서 가장 우수한 성능을 보이는가?
• RQ2 특히 주제 기반 특징을 포함한 다양한 특징 세트가 추천 모델 성능에 어떻게 영향을 미치는가?
• RQ3 모델 선택과 특징 공학이 사용자 선호도 예측 정확도에 미치는 영향은 무엇인가?
• RQ4 단지 기사 주제 정보만을 사용하여 지도 학습 접근법이 사용자 선호도를 효과적으로 모델링할 수 있는가?

주요 결과

• 로지스틱 회귀는 평가된 모델들 중에서 사용자 평점 예측 성능이 가장 높았다.
• 특징 공학, 특히 관련 있는 뉴스 주제의 선택이 모델 정확도를 상당히 향상시켰다.
• 이 연구는 주제 기반 특징을 사용하여 지도 학습 방법이 사용자 선호도를 효과적으로 모델링할 수 있음을 확인했다.
• 선형 회귀는 중간 정도의 성능를 보였고, 나이브 베이즈는 평점 예측 작업에서 덜 효과적으로 나타났다.
• 결과는 모델 선택과 특징 표현 방식이 효과적인 뉴스 추천 시스템을 구축하는 데 핵심적인 요소임을 시사한다.