[논문 리뷰] Recurrent Poisson Factorization for Temporal Recommendation

Seyed Abbas Hosseini, Keivan Alizadeh외 5명|arXiv (Cornell University)|2017. 03. 04.

Recommender Systems and Techniques참고 문헌 16인용 수 5

한 줄 요약

이 논문은 시간에 민감한 선호도와 재방문 행동을 포착하기 위해 사용자-아이템 상호작용을 비정상 평균 포아송 과정으로 모델링하는 시간적 추천 프레임워크인 순환 포아송 분해(RPF)를 제안한다. 고전적 포아송 분해에 확률적 강도 함수를 도입하여 RPF는 정확한 아이템 및 재방문 시점 예측을 가능하게 하며, 실제 음악 및 전자상거래 데이터셋에서 최신 기법들을 능가하는 성능을 보이며, 더 뛰어난 확장성과 해석 가능성도 확보한다.

ABSTRACT

Poisson factorization is a probabilistic model of users and items for recommendation systems, where the so-called implicit consumer data is modeled by a factorized Poisson distribution. There are many variants of Poisson factorization methods who show state-of-the-art performance on real-world recommendation tasks. However, most of them do not explicitly take into account the temporal behavior and the recurrent activities of users which is essential to recommend the right item to the right user at the right time. In this paper, we introduce Recurrent Poisson Factorization (RPF) framework that generalizes the classical PF methods by utilizing a Poisson process for modeling the implicit feedback. RPF treats time as a natural constituent of the model and brings to the table a rich family of time-sensitive factorization models. To elaborate, we instantiate several variants of RPF who are capable of handling dynamic user preferences and item specification (DRPF), modeling the social-aspect of product adoption (SRPF), and capturing the consumption heterogeneity among users and items (HRPF). We also develop a variational algorithm for approximate posterior inference that scales up to massive data sets. Furthermore, we demonstrate RPF's superior performance over many state-of-the-art methods on synthetic dataset, and large scale real-world datasets on music streaming logs, and user-item interactions in M-Commerce platforms.

연구 동기 및 목표

• 기존 포아송 분해 기법이 암시적 피드백에서 시간 역학과 재방문 행동을 모델링하는 데 한계를 가진 점을 해결하기 위해.
• 동적 사용자 선호도, 사회적 영향력, 사용자 및 아이템 행동의 이질성을 포괄하는 확장 가능하고 해석 가능한 프레임워크를 개발하기 위해.
• 다음 아이템과 사용자 재방문 시점을 동시에 예측함으로써 시간에 민감한 추천 정확도를 향상시키기 위해.
• 고전적 PF 변종(HPF, DPF, SPF)을 포아송 과정 기반으로 일반화하여 순환형 대응체(HRPF, DRPF, SRPF)로 확장하기 위해.
• 대규모 데이터셋에 적합하면서도 모델 표현력을 유지하는 변분 추론 알고리즘을 설계하기 위해.

제안 방법

• RPF는 사용자-아이템 상호작용을 비정상 평균 포아송 과정으로 모델링하며, 강도 함수가 시간에 따라 변화하는 사용자 선호도와 아이템 인기도를 포착한다.
• 강도 함수는 사용자 및 아이템 잠재 요인으로 분해되며, 동적 선호도와 사회적 영향력을 모델링하기 위해 시간에 의존하는 성분을 포함한다.
• 모델은 고전적 포아송 분해를 확장하여 집계된 카운트 대신 포인트 프로세스 가능도를 사용함으로써, 이벤트 시점과 빈도를 모델링할 수 있도록 한다.
• 대규모 데이터셋에 대응하기 위해 잠재 요인에 대한 사후분포를 근사하기 위한 변분 추론 알고리즘을 개발하였다.
• 다양한 변종을 구현: 동적 선호도를 위한 DRPF, 사회적 영향력을 위한 SRPF, 사용자 및 아이템 행동의 이질성을 위한 HRPF.
• 공유된 잠재 요인과 시간에 따라 변화하는 파rameter를 가진 로그선형 강도 함수를 사용하여 시간에 따른 진화와 동료 효과를 포착한다.

실험 결과

연구 질문

• RQ1 포아송 과정 기반 모델링이 카운트 기반 포아송 분해 대비 시간적 추천 정확도를 향상시키는가?
• RQ2 RPF는 다음 아이템과 사용자 재방문 시점을 최신 기법들과 비교해 얼마나 잘 예측하는가?
• RQ3 RPF의 변종(DRPF, SRPF, HRPF)이 동적 선호도, 사회적 영향력, 사용자 및 아이템 행동의 이질성을 얼마나 잘 포착하는가?
• RQ4 실제 데이터셋에서 뛰어난 성능을 달성하면서도 RPF 프레임워크는 해석 가능성을 유지하는가?
• RQ5 제안된 변분 추론 방법은 대규모 실세계 추천 데이터셋에 효과적으로 스케일링되는가?

주요 결과

• RPF 기반 방법은 합성 및 실세계 데이터셋에서 모두 아이템 예측 및 재방문 시점 예측에서 최신 기법들을 일관되게 능가한다.
• Last.fm 및 Tianchi 데이터셋에서 RPF 기반 모델은 재방문 시점 예측의 MAE가 낮게 나타났으며, DRPF 및 DSRPF가 실제 이벤트 시퀀스에 가장 잘 맞는 것으로 나타났다.
• 분위수 플롯 분석 결과, RPF 기반 모델이 실제 사용자 재방문 시간의 경험적 분포를 더 잘 반영하였으며, 기울기가 TSRS보다 1에 더 가까웠다.
• Tianchi 데이터셋에서는 DRPF가 더 높은 사용자당 이벤트 밀도를 반영하여 더 우수한 성능을 보였으며, 데이터가 풍부한 환경에서의 강점을 입증하였다.
• 시험 데이터 크기가 증가함에 따라 RPF 기반 방법의 성능은 안정적으로 유지되었으며, 일반화 능력이 뛰어났다.
• RPF의 해석 가능성 덕분에 동료 영향력, 유행 아이템, 사용자 행동의 시간적 동적 변화와 같은 의미 있는 패턴을 탐지할 수 있었다.