[논문 리뷰] Result Diversification in Search and Recommendation: A Survey

Haolun Wu, Yansen Zhang외 5명|arXiv (Cornell University)|2022. 12. 29.

Socioeconomic Development in MENA인용 수 22

한 줄 요약

이 논문은 검색과 추천 모두에서 다양성 메트릭과 다양화 접근법의 통합된 분류체계를 제시하고, 100편 이상의 연구를 종합하며 열린 과제들을 제시한다.

ABSTRACT

Diversifying return results is an important research topic in retrieval systems in order to satisfy both the various interests of customers and the equal market exposure of providers. There has been growing attention on diversity-aware research during recent years, accompanied by a proliferation of literature on methods to promote diversity in search and recommendation. However, diversity-aware studies in retrieval systems lack a systematic organization and are rather fragmented. In this survey, we are the first to propose a unified taxonomy for classifying the metrics and approaches of diversification in both search and recommendation, which are two of the most extensively researched fields of retrieval systems. We begin the survey with a brief discussion of why diversity is important in retrieval systems, followed by a summary of the various diversity concerns in search and recommendation, highlighting their relationship and differences. For the survey's main body, we present a unified taxonomy of diversification metrics and approaches in retrieval systems, from both the search and recommendation perspectives. In the later part of the survey, we discuss the open research questions of diversity-aware research in search and recommendation in an effort to inspire future innovations and encourage the implementation of diversity in real-world systems.

연구 동기 및 목표

• 검색 시스템에서 다양성이 왜 중요한지와 그것이 사용자 및 공급자에게 미치는 영향을 설명한다.
• 검색과 추천 모두에 적용 가능한 다양성 메트릭과 기법의 통합 분류체계를 제시한다.
• 오프라인 및 온라인 환경에서 기존의 다양성 접근법과 그 강점/제한점을 요약한다.
• 향후 연구 및 실제 배치를 위한 열려 있는 연구 질문을 식별한다.

제안 방법

• 검색과 추천 전반에 걸친 다양성 메트릭과 접근법을 분류하는 통합 분류체계를 제안한다.
• 메트릭을 관련성 무감각(relevance-oblivious)과 관련성 인식(relevance-aware) 범주로 분류하고, 하위 분류로 거리 기반, 커버리지 기반, 사회적 후생, 랭크 인식 메트릭 등을 포함시킨다.
• 검색에서 내재적(intrinsic) 대 외재적(extrinsic) 다양성을 구분하고, 추천에서 개인 수준(individual-level) 대 시스템 수준(system-level) 다양성을 구분한다.
• 오프라인 및 온라인 다양화 전략을 검토하고 이를 열려 있는 연구 질문과 연계한다.
• 고전적 다양화 메트릭의 구현 자원을 공개 저장소에 제공한다.

실험 결과

연구 질문

• RQ1 검색과 추천 전반에서 다양성을 어떻게 정의하고 측정하며 운용화할 수 있는가?
• RQ2 다양성 평가를 위한 주요 메트릭 범주는 무엇이며 그것들이 관련성과 어떻게 관련되는가?
• RQ3 검색 태스크의 오프라인 및 온라인 설정에서 다양성을 향상시키는 일반적인 기법은 무엇인가?
• RQ4 다양성 인식 검색 및 추천에서 남아 있는 열려 있는 문제는 무엇이며 실제 시스템에서 어떻게 해결될 수 있는가?
• RQ5 통합 분류체계가 연구자와 실무자가 다양화 방법을 설계하고 비교하는 데 어떻게 도움이 되는가?

주요 결과

• 통합 분류체계가 검색과 추천 모두의 다양성 메트릭 및 기법을 하나의 응집된 프레임워크로 정리한다.
• 다양성 메트릭은 관련성 무감각(relevance-oblivious)과 관련성 인식(relevance-aware)으로 분류되며, 하위 분류로 거리 기반, 커버리지 기반, 사회적 후생, 랭크 인식 지표 등이 포함된다.
• 검색에서 다양성은 외재적(extrinsic) 대 내재적(intrinsic)으로 구분되고, 추천에서는 개인 수준(individual-level) 대 시스템 수준(system-level) 다양성으로 구분되어 서로 다른 이해관계자의 관심을 강조한다.
• 리스트 다양성을 측정하는 메트릭과 다양성과 관련성의 균형을 맞추는 메트릭 사이의 명확한 구분이 있으며, 우선순위(priority)나 무게감(heaviness)과 같은 공리적 고려사항이 포함된다.
• 저자들은 방대한 문헌(100편 이상)을 요약하고 다양화 메트릭의 구현 자원을 제공한다.