[논문 리뷰] Sequence-Aware Recommender Systems

Massimo Quadrana, Paolo Cremonesi외 1명|arXiv (Cornell University)|2018. 02. 23.

Recommender Systems and Techniques참고 문헌 118인용 수 5

한 줄 요약

이 논문은 순서 인식 추천 시스템에 대한 종합적인 서베이를 제시하며, 사용자 상호작용의 순서에 기반해 작업을 분류하고, RNN 및 트랜스포머와 같은 알고리즘적 접근 방식을 검토하며, 표준화된 평가 프로토콜을 주장한다. 실생활 응용에서 추천의 관련성과 개인화를 향상시키기 위해 짧은 기간의 사용자 의도 모델링, 커뮤니티 수준의 추세 활용, 장기 및 단기 사용자 프로파일 통합 등의 핵심 과제를 규명한다.

ABSTRACT

Recommender systems are one of the most successful applications of data mining and machine learning technology in practice. Academic research in the field is historically often based on the matrix completion problem formulation, where for each user-item-pair only one interaction (e.g., a rating) is considered. In many application domains, however, multiple user-item interactions of different types can be recorded over time. And, a number of recent works have shown that this information can be used to build richer individual user models and to discover additional behavioral patterns that can be leveraged in the recommendation process. In this work we review existing works that consider information from such sequentially-ordered user- item interaction logs in the recommendation process. Based on this review, we propose a categorization of the corresponding recommendation tasks and goals, summarize existing algorithmic solutions, discuss methodological approaches when benchmarking what we call sequence-aware recommender systems, and outline open challenges in the area.

연구 동기 및 목표

• 입력 및 출력 시퀀스에서 순서의 역할에 기반해 순서 인식 추천 작업을 체계적으로 분류하고 특성화하기.
• 사용자 상호작용의 순서적 특성을 활용하기 위한 기존 알고리즘적 접근 방식을 검토하고 통합하기.
• 순서 인식 추천 알고리즘의 벤치마킹 및 평가에서 발생하는 방법론적 격차를 규명하기.
• 사용자 맥락과 의도를 고려한 표준화되고 재현 가능한 평가를 위한 프레임워크 제안하기.
• 추천 시스템에서 짧은 기간의 사용자 의도, 관심의 이동, 커뮤니티 수준의 추세를 모델링하는 데 있어 열린 과제를 부각하기.

제안 방법

• 입력 및 출력에서 순서의 역할에 기반해 순서 인식 추천 작업의 분류 체계를 제안한다.
• 사용자 행동 패턴을 학습하기 위해 RNN, LSTM, GRU 및 어텐션 기반 모델(예: 트랜스포머)을 포함한 시퀀스 모델링 기법을 검토한다.
• 사용자 세션, 아이템 시퀀스, 상호작용 로그의 시간 동적 특성에 대한 처리 방식에 따라 알고리즘을 분류한다.
• 정확도를 넘어서 맥락 인식 및 의도 기반 메트릭을 강조하는, 순서 인식 시스템 평가를 위한 프레임워크를 도입한다.
• 상호작용의 시기와 순서를 고려한 평가 프로토콜을 제안하며, 히든 세트 전략 및 세션 기반 분할 방법을 포함한다.
• 개선된 개인화를 위해 장기 사용자 프로파일과 세션 수준의 행동을 통합하는 방법을 강조한다.

실험 결과

연구 질문

• RQ1 입력 및 출력에서 순서의 역할에 기반해 순서 인식 추천 작업을 어떻게 체계적으로 분류할 수 있는가?
• RQ2 순서적 사용자 상호작용을 모델링하기 위한 주요 알고리즘적 접근 방식은 무엇이며, 설계 및 성능 면에서 어떻게 다를 수 있는가?
• RQ3 순서 인식 추천 시스템 평가에서 발생하는 주요 방법론적 과제는 무엇이며, 평가를 어떻게 더 표준화하고 의미 있게 만들 수 있는가?
• RQ4 짧은 기간의 사용자 의도와 장기적 선호를 통합한 통합 추천 모델에서 효과적으로 조합할 수 있는 방법은 무엇인가?
• RQ5 커뮤니티 수준의 추세와 아이템의 최신성은 순서 인식 시스템에서 추천 품질 향상에 어떤 역할을 하는가?

주요 결과

• 짧은 기간의 사용자 의도가 포함된 시나리오, 예를 들어 세션 기반 추천에서 순서 인식 추천 시스템은 전통적인 행렬 완성 모델보다 뚜렷이 뛰어난 성능을 보인다.
• 어텐션 기반 모델, 예를 들어 트랜스포머는 사용자 상호작용 시퀀스에서 장거리 의존성을 효과적으로 모델링하는 데 뛰어난 성능을 보인다.
• 최근에 인기 있는 아이템과 같은 커뮤니티 수준의 추세를 활용하면, 특히 전자상거래 및 뉴스 분야에서 추천 정확도가 상당히 향상된다.
• 현재 평가 관행은 일관성이 없으며, 다양한 프로토콜을 사용하고 있으며, 맥락적 관련성을 반영하지 못하는 정확도 메트릭에 과도하게 의존하고 있다.
• 장기 사용자 프로파일과 세션 수준의 행동을 통합하면 더 견고하고 개인화된 추천이 가능하지만, 현재의 모델들은 종종 이를 별도로 다룬다.
• 사용자 맥락, 의도, 표준 정밀도 및 재현율 외의 실제 사용 시나리오를 고려한 표준화된 평가 벤치마크가 절실하게 필요하다.