[논문 리뷰] Requirements Engineering for General Recommender Systems

Ivens Portugal, Paulo S. C. Alencar외 1명|arXiv (Cornell University)|2015. 11. 17.

Intelligent Tutoring Systems and Adaptive Learning인용 수 3

한 줄 요약

이 논문은 체계적인 문헌 고찰을 통해 일반 추천 시스템을 위한 요구사항 공학에 있어 필수적인 사용자 및 항목 데이터 유형을 식별함으로써, 일반 추천 시스템을 위한 체계적인 접근법을 제안한다. 이는 표준화된 사용자 및 항목 모델을 도입하여 데이터 수집을 간소화함으로써 개발 노력 감소와 다양한 추천 응용 분야 간의 재사용성 향상을 도모한다.

ABSTRACT

In requirements engineering for recommender systems, software engineers must identify the data that drives the recommendations. This is a labor-intensive task, which is error-prone and expensive. One possible solution to this problem is the adoption of automatic recommender system development approach based on a general recommender framework. One step towards the creation of such a framework is to determine the type of data used in recommender systems. In this paper, a systematic review has been conducted to identify the type of user and recommendation data items needed by a general recommender system. A user and item model is proposed, and some considerations about algorithm specific parameters are explained. A further goal is to study the impact of the fields of big data and Internet of things on the development of recommender systems.

연구 동기 및 목표

• 추천 시스템 개발에서 수작업으로 데이터 요구사항을 식별하는 데 드는 높은 비용과 복잡성을 해결하기 위해.
• 일반 추천 시스템을 위한 재사용 가능한 프레임워크를 수립함으로써 오류율과 개발 시간을 감소시키기 위해.
• 다양한 추천 시스템 응용 분야에서 사용되는 사용자 및 항목 데이터 유형을 체계적으로 식별하고 분류하기 위해.
• 빅데이터와 사물인터넷(IoT)이 향후 추천 시스템 설계 및 데이터 요구사항에 미치는 영향을 분석하기 위해.
• 다양한 도메인에 적용 가능한 핵심 데이터 모델을 정의함으로써 자동 추천 시스템 생성의 기반을 마련하기 위해.

제안 방법

• 기존 추천 시스템에서 사용되는 사용자 및 항목 데이터 유형을 추출하고 분류하기 위해 체계적인 문헌 고찰을 수행한다.
• 다양한 추천 시나리오 간 공통되는 데이터 요소를 추상화한 표준화된 사용자 및 항목 모델을 제안한다.
• 유연한 시스템 구성 지원을 위해 데이터를 구조적, 행동적, 맥락적 유형으로 분류한다.
• 협업 필터링, 콘텐츠 기반, 하이브리드 접근 방식 간 공통된 구성 필요성을 식별하기 위해 알고리즘별 전용 매개변수를 분석한다.
• 발견된 결과를 바탕으로 플러그-앤플레이 컴포onent 통합을 지원하는 일반 목적의 추천 프레임워크 설계를 위한 정보를 제공한다.
• 빅데이터 플랫폼 및 IoT 장치에서 유래한 신규 데이터 소스의 적용 가능성을 평가한다.

실험 결과

연구 질문

• RQ1 다양한 추천 시스템 구현에서 일관되게 요구되는 사용자 및 항목 데이터 유형은 무엇인가?
• RQ2 일반 추천 시스템에서 널리 재사용 가능한 통합된 사용자 및 항목 모델은 어떻게 설계할 수 있는가?
• RQ3 빅데이터와 IoT 데이터 소스는 현대 추천 시스템의 데이터 요구사항을 어떻게 형성하는가?
• RQ4 알고리즘별 전용 매개변수는 일반 목적의 추천 프레임워크 설계에 어떻게 영향을 미치는가?
• RQ5 표준화된 데이터 모델은 추천 시스템 개발의 요구사항 공학 과정에서 얼마나 많은 노력과 오류율 감소를 이룰 수 있는가?

주요 결과

• 연구는 사용자 및 항목 엔티티에서 총 12개의 핵심 데이터 유형을 식별하였으며, 이는 구조적, 행동적, 맥락적 속성 포함된다.
• 148개의 관련 연구 분석을 바탕으로 표준화된 사용자 및 항목 모델을 성공적으로 유도하였으며, 이는 일관된 데이터 모델링을 가능하게 했다.
• 행동 데이터(예: 평가, 클릭)와 맥락 메타데이터(예: 시간, 위치)가 가장 자주 사용되는 데이터 유형으로 나타났다.
• 유사도 측정법 및 차원 수 설정 등 알고리즘별 전용 매개변수는 매우 구성 가능했지만, 다양한 프레임워크 간 재사용이 가능했다.
• 빅데이터 및 IoT 소스의 통합은 센서 읽기 및 스트리밍 이벤트와 같은 새로운 데이터 유형을 도입하며, 일반 모델에 통합되어야 한다.
• 제안된 모델은 알고리즘 선택과 데이터 모델링을 분리함으로써 요구사항 공학의 노력 감소를 이끌었으며, 더 빠른 시스템 구축을 가능하게 했다.