[논문 리뷰] Recommender Systems: A Primer

Pablo Castells, Dietmar Jannach|arXiv (Cornell University)|2023. 02. 06.

Recommender Systems and Techniques인용 수 6

한 줄 요약

이 논문은 추천 시스템에 대한 종합적인 소개를 제공하며, 기초 개념과 협업 필터링, 랭킹 학습 등의 고전적 알고리즘, 그리고 편향, 공정성, 오프라인-온라인 평가의 괴리와 같은 현대적 과제를 다룹니다. 현재의 연구 트렌드를 통합하고, 대화형 추천 시스템과 책임감 있는 AI를 포함한 주요 미래 방향을 규명합니다.

ABSTRACT

Personalized recommendations have become a common feature of modern online services, including most major e-commerce sites, media platforms and social networks. Today, due to their high practical relevance, research in the area of recommender systems is flourishing more than ever. However, with the new application scenarios of recommender systems that we observe today, constantly new challenges arise as well, both in terms of algorithmic requirements and with respect to the evaluation of such systems. In this paper, we first provide an overview of the traditional formulation of the recommendation problem. We then review the classical algorithmic paradigms for item retrieval and ranking and elaborate how such systems can be evaluated. Afterwards, we discuss a number of recent developments in recommender systems research, including research on session-based recommendation, biases in recommender systems, and questions regarding the impact and value of recommender systems in practice.

연구 동기 및 목표

• 현대의 AI 기반 온라인 서비스의 핵심 구성 요소로서 추천 시스템에 대한 체계적인 개요를 제공하는 것.
• 정보 검색과 추천의 차이를 명확히 하여 암시적 쿼리와 사용자 프로파일의 역할을 강조하는 것.
• 협업 필터링, 콘텐츠 기반 필터링, 랭킹 학습을 포함한 고전적 알고리즘 패러다임과 그 진화를 검토하는 것.
• 편향, 공정성, 오프라인 평가와 온라인 A/B 테스트 결과 간의 괴리와 같은 새로운 과제를 다루는 것.
• 대화형 추천 시스템과 추천 분야에서의 책임감 있는 AI를 포함한 미래 연구 방향을 규명하고 논의하는 것.

제안 방법

• 입력 데이터 유형에 따라 추천 알고리즘을 분류하며, 협업 필터링, 콘텐츠 기반, 하이브리드 접근 방식을 포함한다.
• 사용자-아이템 상호작용을 모델링하기 위해 행렬 분해와 딥러닝 기법을 검토한다.
• 오프라인 및 온라인 평가 방법론을 개요하며, 정밀도, 재현율, NDCG와 같은 지표를 포함한다.
• 순차적 및 세션 기반 추천을 반복적 모델과 트랜스포머 기반 모델을 활용해 사용자 행동의 시간적 흐름을 모델링하는 데 분석한다.
• 피드백 루프, 인기 편향, 알고리즘적 차별화의 관점에서 추천 시스템의 공정성과 편향을 분석한다.
• 정확도를 넘어서 인간을 포함한 평가 프레임워크를 제안하며, 인간-중심 연구와 기업/소비자 가치 평가를 통합한다.

Figure 1.1: Types of data (extended from Wu et al. [ 2022 ] ).

실험 결과

연구 질문

• RQ1 협업 필터링과 랭킹 학습과 같은 전통적 추천 시스템 알고리즘이 설계 및 성능 면에서 어떻게 다릅니까?
• RQ2 산업용 추천 시스템에서 오프라인 평가 지표가 실제 온라인 A/B 테스트 결과와 어느 정도 일치합니까?
• RQ3 추천 시스템에서 인기 편향과 피드백 루프의 근본 원인과 영향은 무엇입니까?
• RQ4 대화형 추천 시스템은 자연어 이해와 대화 관리 기술을 통해 사용자 인터랙션을 어떻게 향상시킬 수 있습니까?
• RQ5 AI 기반 추천 시스템에서 공정성과 윤리적인 행동을 확보하기 위한 주요 과제와 열린 문제들은 무엇입니까?

주요 결과

• 오프라인 평가 지표는 지표 불일치, 데이터 편향, 파ipeline의 복잡성로 인해 온라인 A/B 테스트 결과와 약한 일치를 보입니다.
• 인기 편향과 피드백 루프는 추천 결과에 상당한 영향을 미치며, 콘텐츠 가시성에서 기존의 불평등을 강화하는 경향이 있습니다.
• 추천 시스템에서의 공정성은 여전히 기술적 해결책과 편향 메커니즘에 대한 깊은 이해가 필요한 다면적인 과제입니다.
• 대화형 추천 시스템은 자연어 처리(NLP)와 엔드 투 엔드 학습의 발전 덕분에 빠르게 부상하고 있으며, 지식과 학습을 융합한 하이브리드 아키텍처가 대부분을 차지할 것으로 예상됩니다.
• 인간-중심 평가와 기업가치 평가의 통합은 소비자와 제공자 모두에게 추천 시스템이 측정 가능한 이점을 제공한다는 것을 드러냅니다.
• 진전이 있음에도 불구하고, 보편적인 공정성 지표는 존재하지 않으며, 편향 인식은 추천 시스템에서 불공정한 대우를 완화하기 위한 첫 번째 필수 단계입니다.

Figure 2.1: Sequential Recommendation: Overview (adapted from Quadrana et al. [ 2018 ] ).