[논문 리뷰] Recommending Users: Whom to Follow on Federated Social Networks

Jan Trienes, Andrés Torres Cano외 1명|arXiv (Cornell University)|2018. 11. 22.

Caching and Content Delivery참고 문헌 12인용 수 12

한 줄 요약

이 논문은 마스토돈과 같은 피어 투 피어 소셜 네트워크에 대해 협업 필터링 및 토폴로지 기반 추천 시스템을 제안하고 평가한다. 프로필 기반 유사도에는 BM25를, 네트워크 구조 기반 추론에는 개인화된 PageRank를 사용한다. 오프라인 평가에서는 협업 필터링이 토폴로지 기반 방법보다 뛰어나지만, 실시간 사용자 실험에서는 두 방법이 유사한 성능을 보이며, 탈중앙화된 네트워크에서 커뮤니티 성장을 위한 가능성을 입증한다.

ABSTRACT

To foster an active and engaged community, social networks employ recommendation algorithms that filter large amounts of contents and provide a user with personalized views of the network. Popular social networks such as Facebook and Twitter generate follow recommendations by listing profiles a user may be interested to connect with. Federated social networks aim to resolve issues associated with the popular social networks - such as large-scale user-surveillance and the miss-use of user data to manipulate elections - by decentralizing authority and promoting privacy. Due to their recent emergence, recommender systems do not exist for federated social networks, yet. To make these networks more attractive and promote community building, we investigate how recommendation algorithms can be applied to decentralized social networks. We present an offline and online evaluation of two recommendation strategies: a collaborative filtering recommender based on BM25 and a topology-based recommender using personalized PageRank. Our experiments on a large unbiased sample of the federated social network Mastodon shows that collaborative filtering approaches outperform a topology-based approach, whereas both approaches significantly outperform a random recommender. A subsequent live user experiment on Mastodon using balanced interleaving shows that the collaborative filtering recommender performs on par with the topology-based recommender.

연구 동기 및 목표

• 탈중앙화된 네트워크에서 커뮤니티 참여와 사용자 증가를 저해하는 추천 시스템의 부재를 해결하기 위해.
• 기존의 추천 기법—협업 필터링 및 토폴로지 기반 방법—이 데이터가 불완전한 탈중앙화된 네트워크에 어떻게 적응할 수 있는지 탐구하기 위해.
• 오프라인 샘플링과 마스토돈에서의 실시간 사용자 실험을 통해 이러한 방법의 성능을 평가하기 위해.
• 전체 네트워크 데이터가 확보되지 않은 탈중앙화된 시스템에 추천 시스템을 구현할 때 발생하는 실질적 과제, 특히 데이터 수집 및 개인정보 보호 문제를 평가하기 위해.
• 사용자 데이터를 중앙집중화하지 않고도 효과적이고 개인정보 보호를 고려한 추천 시스템을 구축할 수 있는지 타당성을 탐색하기 위해.

제안 방법

• 방향성 있는 그래프에 적합한 수정된 메트로폴리스-하스팅스 랜덤 워크(MHRW)를 사용하여, 마스토돈 사용자 그래프의 편향 없고 대규모 샘플(사용자 기준 약 25%)을 수집한다.
• 사용자 프로필(팔로잉, 팔로워, 병합된 정보)을 문서로 간주하고, 질의 사용자 프로필과의 유사도를 기반으로 추천 대상 팔로우를 순위 매기기 위해 BM25를 적용함으로써 협업 필터링을 구현한다.
• 네트워크 구조와 국소 그래프 이웃을 기반으로 가능한 팔로우 관계를 예측하기 위해 개인화된 PageRank를 사용하는 토폴로지 기반 추천 시스템을 구현한다.
• 실시간 사용자 시험에서 성능을 비교하기 위해 균형 잡힌 혼합 평가 방법을 사용하며, 실제 사용자 팔로우 행동을 측정한다.
• 온라인 추천을 위해 추천 시점에 각 사용자의 국소 네트워크 주변부를 샘플링하지만, 이는 높은 네트워크 오버헤드를 수반한다.
• 반복적인 크롤링을 줄이기 위해 캐싱 전략을 고려하지만, 데이터 중앙집중화의 위험으로 인해 피어 투 피어 네트워크 원칙과 배치되는 점을 인정한다.

실험 결과

연구 질문

• RQ1 프로필 기반 유사도(비율 기반 BM25 사용)에 기반한 협업 필터링이 피어 투 피어 소셜 네트워크에서 팔로우 대상 추천에 있어 토폴로지 기반 방법보다 뛰어나게 작용할 수 있는가?
• RQ2 실세계 실시간 사용자 환경에서 이러한 추천 전략은 오프라인 평가와 비교해 어떻게 성능을 내는가?
• RQ3 완전한 네트워크 데이터가 확보되지 않은 탈중앙화된 네트워크에서 추천 시스템을 구현할 때 발생하는 실질적 과제는 무엇인가?
• RQ4 부분적 또는 샘플된 네트워크 데이터는 추천의 질과 관련성에 어느 정도 영향을 미치는가?
• RQ5 효과적이고 확장 가능한 동시에 개인정보 보호와 탈중앙화 원칙을 유지할 수 있는 추천 시스템을 설계할 수 있는가?

주요 결과

• 대규모이고 편향이 없는 마스토돈 샘플에 대한 오프라인 평가에서, BM25 기반 협업 필터링 추천 시스템이 토폴로지 기반 PageRank 접근 방식보다 유의미하게 뛰어난 성능을 보였다.
• 19명의 참가자가 참여한 실시간 사용자 실험에서, 협업 필터링과 토폴로지 기반 추천 시스템은 유사한 성능을 보였으며, 각각 5명의 사용자에게서 상대적으로 뛰어난 성능를 보였고, 9명의 사용자에선 동일한 성능를 기록했다.
• 총 1.8명의 새로운 팔로우가 추천 덕분에 발생했으며, 이는 두 시스템 모두 가치 있고 실행 가능한 추천을 생성했음을 시사한다.
• 이 연구는 오프라인 및 온라인 환경에서 둘 다 두 추천 전략이 무작위 추천 기반선보다 유의미하게 뛰어난 성능를 보임을 확인했다.
• 반복적인 사용자 이웃 크롤링으로 인해 온라인 추천 생성이 비용이 많이 들었으며, 확장성과 성능 문제를 드러냈다.
• 반복적인 크롤링을 줄이기 위해 네트워크 이웃을 캐싱하는 것이 잠재적 최적화 전략으로 제안되었지만, 데이터 중앙집중화의 우려로 인해 피어 투 피어 네트워크의 핵심 원칙과 배치되는 점을 지적했다.