[논문 리뷰] Recommending Items in Social Tagging Systems Using Tag and Time Information

Emanuel Lacić, Dominik Kowald외 3명|2014. 06. 30.

Recommender Systems and Techniques참고 문헌 25인용 수 8

한 줄 요약

이 논문은 인간 기억 이론에서 유래한 거듭제곱 잊혀짐 함수인 베이스레벨 학습(BLL) 방정식을 사용하여 태그 빈도와 최신성을 통합함으로써 사회적 태깅 시스템에서 항목 추천을 향상시키는 이중단계 협업 필터링 접근법인 CIRTT를 제안한다. 세 가지 실세계 데이터셋(BibSonomy, CiteULike, MovieLens)에서 기존의 태그 및 시간 인지 기반 기준선 대비 정확도에서 뛰어난 성능을 보이며, 태그 재사용 확률에 대한 인지 기반 모델링이 추천 품질을 향상시킬 수 있음을 입증한다.

ABSTRACT

In this work we present a novel item recommendation approach that aims at improving Collaborative Filtering (CF) in social tagging systems using the information about tags and time. Our algorithm follows a two-step approach, where in the first step a potentially interesting candidate item-set is found using user-based CF and in the second step this candidate item-set is ranked using item-based CF. Within this ranking step we integrate the information of tag usage and time using the Base-Level Learning (BLL) equation coming from human memory theory that is used to determine the reuse-probability of words and tags using a power-law forgetting function. As the results of our extensive evaluation conducted on data-sets gathered from three social tagging systems (BibSonomy, CiteULike and MovieLens) show, the usage of tag-based and time information via the BLL equation also helps to improve the ranking and recommendation process of items and thus, can be used to realize an effective item recommender that outperforms two alternative algorithms which also exploit time and tag-based information.

연구 동기 및 목표

• 시간적 및 태그 기반 사용자 행동을 통합하여 사회적 태깅 시스템에서 항목 추천 정확도를 향상시키는 것.
• 기억 및 잊혀짐에 대한 인지 기반 모델이 태깅 환경에서 협업 필터링을 향상시킬 수 있는지 조사하는 것.
• 베이스레벨 학습(BLL) 방정식이 빈도와 최신성 정보를 사용하여 태그 재사용 확률을 모델링하는 데 효과적인지 평가하는 것.
• 실세계 풍자노미 데이터셋에서 기존의 시간 및 태그 인지 기반 추천 알고리즘과 CIRTT의 성능을 비교하는 것.
• 데이터 기반 추천 시스템에 인지 이론을 통합하여 개인화를 향상시킬 잠재력을 탐색하는 것.

제안 방법

• CIRTT는 이중단계 프로세스를 사용한다: 첫 번째로, 이진 사용자-항목 행렬을 기반으로 코사인 유사도를 사용하여 k=20의 이웃을 기준으로 사용자 기반 협업 필터링을 통해 후보 항목을 식별한다.
• 두 번째로, 항목 기반 협업 필터링을 BLL 방정식으로 강화하여 태그 재사용 확률을 모델링함으로써 후보 항목을 순위 매긴다.
• BLL 방정식은 인간 기억 이론에서 유도된 거듭제곱 잊혀짐 함수를 사용하여 태그의 재사용 확률을 빈도와 최신성의 함수로 계산한다.
• 이 모델은 태그 빈도와 마지막 사용 이후 경과 시간을 통합하여 항목 점수를 가중치 처리하며, 자주 사용되고 최근에 적용된 태그를 가진 항목을 우선시한다.
• 이 방법은 nDCG@20, MAP@20, Recall@20와 같은 표준 지표를 사용하여 BibSonomy, CiteULike, MovieLens 세 개의 데이터셋에서 평가된다.
• 기타 대조 기준선으로는 이진 행렬을 사용한 협업 필터링(CF_B), 태그 프로파일을 사용한 협업 필터링(CF_T), 그리고 두 가지 시간 인지 방법(Z: 지수 최신성, H: 선형 최신성)이 포함된다.

실험 결과

연구 질문

• RQ1 베이스레벨 학습(BLL) 방정식을 통해 태그 빈도와 최신성을 통합하면 사회적 태깅 시스템에서 항목 추천 정확도가 향상되는가?
• RQ2 BLL에 내장된 거듭제곱 잊혀짐 함수는 태그 최신성 모델링에서 지수 함수(Zheng 등)와 선형 함수(Huang 등)에 비해 추천 성능에서 어떻게 비교되는가?
• RQ3 BLL 기반 순위 매기기 방법은 기존의 최신 기술 수준의 태그 및 시간 인지 기반 추천 알고리즘을 초월하는가?
• RQ4 인간 기억에 기반한 인지 기반 모델의 사용이 추천의 개인화 및 관련성에 얼마나 기여하는가?
• RQ5 다양한 지표(정확도, 다양성, 사용자 커버리지)는 제안된 방법과 기준선 방법 간에 어떻게 달라지는가?

주요 결과

• CIRTT는 BibSonomy, CiteULike, MovieLens 세 데이터셋 전반에서 가장 높은 nDCG@20, MAP@20, Recall@20 점수를 기록하며, 모든 기준선 방법을 압도했다.
• BLL 기반의 거듭제곱 잊혀짐 함수는 Zheng 등의 지수 함수 및 Huang 등의 선형 함수보다 더 높은 정확도를 보였다.
• Huang 등의 방법(H)은 사용자 태그 프로파일에 의존하고 태그 기반 다양성 지표를 사용함으로써 가장 낮은 다양성(D)을 기록했다.
• 모든 개인화 방법 간에 사용자 커버리지(UC)는 거의 동일했으며, MovieLens 데이터셋에서 최대 2.53%의 편차만 존재하여 일관된 사용자 커버리지가 확인되었다.
• 비개인화 기준선(MP)은 모든 지표에서 가장 낮은 정확도를 보였으며, 개인화의 필요성을 확인했다.
• 결과는 인간 인지 기반 이론 모델(예: BLL)이 데이터 기반 추천 시스템의 성능을 크게 향상시킬 수 있다는 가설을 지지한다.