[논문 리뷰] Sampler Design for Bayesian Personalized Ranking by Leveraging View Data

Jingtao Ding, Guanghui Yu외 3명|arXiv (Cornell University)|2018. 09. 21.

Recommender Systems and Techniques참고 문헌 22인용 수 11

한 줄 요약

이 논문은 사용자 뷰 데이터를 구매한 항목과 관찰되지 않은 항목 사이의 중간 피드백으로 활용하여 베이지안 개인화 순위(BPR)를 위한 시각 강화 음성 샘플러를 제안한다. 삼중 쌍별 선호 관계—구매 대 뷰, 뷰 대 미관찰, 구매 대 미관찰—를 가중치 손실와 사용자별 가중치를 사용하여 모델링함으로써, 추천 정확도를 향상시켰으며, 실제 데이터셋에서 기존 BPR 대비 37.03%의 상대적 향상을 달성하였다.

ABSTRACT

Bayesian Personalized Ranking (BPR) is a representative pairwise learning method for optimizing recommendation models. It is widely known that the performance of BPR depends largely on the quality of negative sampler. In this paper, we make two contributions with respect to BPR. First, we find that sampling negative items from the whole space is unnecessary and may even degrade the performance. Second, focusing on the purchase feedback of E-commerce, we propose an effective sampler for BPR by leveraging the additional view data. In our proposed sampler, users' viewed interactions are considered as an intermediate feedback between those purchased and unobserved interactions. The pairwise rankings of user preference among these three types of interactions are jointly learned, and a user-oriented weighting strategy is considered during learning process, which is more effective and flexible. Compared to the vanilla BPR that applies a uniform sampler on all candidates, our view-enhanced sampler enhances BPR with a relative improvement over 37.03% and 16.40% on two real-world datasets. Our study demonstrates the importance of considering users' additional feedback when modeling their preference on different items, which avoids sampling negative items indiscriminately and inefficiently.

연구 동기 및 목표

• 대규모 추천 시스템에서 BPR의 경우 전체 항목 공간에서 음성 항목을 샘플링하는 것이 필수적인가를 조사하는 것.
• 구매 항목과 관찰되지 않은 항목 사이의 중간 피드백 신호로 사용자 뷰 데이터를 통합하여 BPR의 성능을 향상시키는 것.
• 시각 행동에서의 양면적 신호—잠재적 관심과 의도 부족—를 동시에 반영하는 더 효과적인 음성 샘플링 전략을 설계하는 것.
• 특히 뷰-구매 비율이 높은 사용자 패턴에 맞게 샘플링을 적응시키는 사용자 중심의 가중치 기반 메커니즘을 개발하는 것.

제안 방법

• 각 사용자당 고정된 수의 관찰되지 않은 항목을 선택하여 감소된 음성 샘플링 공간을 제안함으로써 샘플링 효율성을 향상시킴.
• 뷰드된 항목을 비교 쌍에 따라 양성 및 음성 신호로 간주하는 편향된 샘플링 프로세스를 도입함.
• 구매 대 뷰, 뷰 대 미관찰, 구매 대 미관찰의 삼중 쌍별 선호 관계를 동시에 모델링하는 새로운 목적 함수를 설계함.
• 가중치 손실 함수를 사용하여 세 가지 쌍별 관계를 인코딩함. 이는 각 관계의 상대적 중요도를 반영하는 학습 가능한 가중치를 포함함.
• 뷰-구매 비율이 높은 사용자에게 뷰 신호의 영향력을 높이는 사용자 중심의 가중치 전략을 적용함.
• 제안된 샘플러를 사용하여 확률적 경사 하강법으로 BPR 목적 함수를 최적화함. 이로써 모델 아키텍처를 수정하지 않고도 뷰 데이터를 통합함.

실험 결과

연구 질문

• RQ1 BPR에서 전체 항목 공간에서 음성 항목을 샘플링하는 것이 필수적인가, 아니면 축소된 후보 집합으로도 충분한가?
• RQ2 사용자 뷰 데이터는 효과적으로 중간 피드백 신호로 활용될 수 있는가, 이를 통해 BPR의 선호 학습이 향상될 수 있는가?
• RQ3 시각 행동의 이중 의미—잠재적 관심과 의도 부족—을 단일 샘플링 프레임워크에서 어떻게 모델링할 수 있는가?
• RQ4 사용자별 가중치 전략은 개인의 행동 패턴에 맞게 적응함으로써 뷰 기반 샘플링의 효과를 향상시킬 수 있는가?

주요 결과

• 제안된 시각 강화 샘플러는 Beibei 데이터셋에서 기존 BPR 대비 37.03%의 상대적 향상을, Tmall-selected 데이터셋에서는 16.40%의 상대적 향상을 추천 정확도 측면에서 달성함.
• 가중치 손실 방식(BPR+view_loss)은 편향된 샘플링 베이스라인(BPR+view_prob)을 초월하며, Tmall-selected 데이터셋에서 HR 측정치에 10.20%의 상대적 향상과 NDCG에 11.52%의 상대적 향상을 기록함.
• 사용자 중심의 가중치 전략은 Beibei 데이터셋에서 HR에 3.41% 향상과 NDCG에 3.31% 향상을 추가로 달성함으로써, 고비율의 뷰-구매 사용자에게 효과적임을 확인함.
• 기존 BPR과 BPR-DNS를 모두 뛰어넘는 성능을 보이며, 뷰 데이터가 표준 음성 샘플링을 초월해 선호 모델링을 향상시킴을 입증함.
• 인기도 편향이 높은 Beibei 데이터셋에서도 시각 강화 BPR은 인기도 기반 베이스라인을 능가함으로써 데이터 편향에 대한 강건성을 보임.
• 실증 결과는 삼중 쌍별 관계(purchased-viewed-unobserved)를 동시에 모델링할 경우, 뷰를 단일 신호로 간주하는 것보다 더 나은 선호 표현을 가능하게 함을 시사함.