[논문 리뷰] Similar but Different: Exploiting Users' Congruity for Recommendation Systems

Ghazaleh Beigi, Huan Liu|arXiv (Cornell University)|2018. 03. 12.

Recommender Systems and Techniques참고 문헌 16인용 수 6

한 줄 요약

이 논문은 사용자 간 의견 일치도(의견 일치 정도로 정의됨)와 사회적 관계를 함께 통합함으로써 사용자 선호도 예측을 향상시키는 새로운 추천 프레임워크인 CR을 제안한다. 상호작용 데이터(예: 평가 및 유용성 점수)를 활용해 의견 일치도를 추론함으로써 모델은 추천 정확도를 향상시키며, 실험 결과에서는 의견 일치도가 사회적 유대 관계만으로는 제공할 수 없는 더 풍부하고 조밀한 신호를 제공함을 확인했으며, 이는 기준 모델 대비 성능 향상에 크게 기여한다.

ABSTRACT

The pervasive use of social media provides massive data about individuals' online social activities and their social relations. The building block of most existing recommendation systems is the similarity between users with social relations, i.e., friends. While friendship ensures some homophily, the similarity of a user with her friends can vary as the number of friends increases. Research from sociology suggests that friends are more similar than strangers, but friends can have different interests. Exogenous information such as comments and ratings may help discern different degrees of agreement (i.e., congruity) among similar users. In this paper, we investigate if users' congruity can be incorporated into recommendation systems to improve it's performance. Experimental results demonstrate the effectiveness of embedding congruity related information into recommendation systems.

연구 동기 및 목표

• 사용자 간 의견 일치도(의견 일치 정도)가 사회적 유사성 외에도 추천 시스템 성능 향상에 기여할 수 있는지 조사하기 위해.
• 모든 친구를 동일하게 유사하다고 간주하는 데서 비롯하는 한계를 해결하기 위해, 공통 연결이 있음에도 관심사가 다를 수 있음을 고려하기 위해.
• 평가 및 유용성 점수와 같은 외부 사용자 상호작용 데이터에서 의견 일치도를 추출하는 방법을 개발하기 위해.
• 의견 일치도가 선호도 예측을 위한 사회적 관계보다 더 조밀하고 정보가 풍부한 신호를 제공하는지 입증하기 위해.
• 의견 일치도와 사회적 관계를 함께 모델링하는 새로운 추천 프레임워크인 CR을 제안하고 평가하기 위해.

제안 방법

• 프레임워크는 항목 평가 및 리뷰의 유용성 평가를 포함한 상호작용 데이터로부터 사용자-사용자 의견 일치도 행렬을 구성한다.
• 의견 일치도는 공통 평가 및 리뷰 피드백을 기반으로 한 사용자 간 일치도의 정규화된 측정치로 계산된다.
• 하이브리드 모델은 가중치가 부여된 사용자 유사도의 융합을 통해 사회적 관계(친구 관계 그래프)와 의견 일치도 정보를 통합한다.
• 모델은 행렬 분해 기반 접근을 사용하여 누락된 평가를 예측하며, 사회적 유사성과 의견 일치도 기반 유사성 정보를 포함하는 정규화 항을 적용한다.
• 프레임워크는 실세계 데이터셋(Epinions 및 Ciao)에서 엔드 투 엔드로 훈련되며, 저활동 사용자 및 항목을 필터링하기 위한 전처리가 수행된다.
• 성능 평가는 RMSE 및 MAE를 사용하여, 의견 일치도 또는 사회적 관계가 포함된 모델과 포함되지 않은 모델을 비교함으로써 기여도를 분리한다.

실험 결과

연구 질문

• RQ1 사회적 관계와 의견 일치도는 사용자 유사성 표현 방식에서 어떻게 다를까?
• RQ2 왜 의견 일치도를 통합하는 것이 추천 시스템에 유익한가? 특히 사회적 관계만으로는 부족한 경우에 더욱 그렇다.
• RQ3 평가 및 유용성 점수와 같은 사용자 상호작용 데이터로부터 의견 일치도를 수학적으로 유도할 수 있는가?
• RQ4 의견 일치도와 사회적 관계 중 어느 것이 추천 정확도 향상에 더 큰 기여를 하는가?
• RQ5 의견 일치도와 사회적 관계를 효과적으로 통합할 수 있는 통합 프레임워크는 예측 성능 향상에 실제로 기여할 수 있는가?

주요 결과

• CR 모델에서 의견 일치도 정보를 제거하면 사회적 관계를 제거한 경우보다 성능 저하가 더 크며, 이는 의견 일치도가 더 조밀하고 정보가 풍부한 신호를 제공함을 시사한다.
• 의견 일치도를 포함한 모델 CSRR–C는 단지 사회적 관계만을 사용하는 CSRR–S보다 우수한 성능을 보이며, 의견 수준의 일치가 추가 가치를 제공함을 입증한다.
• 의견 일치도와 사회적 관계를 모두 사용하는 통합 모델 CSRR–CS가 가장 뛰어난 성능을 기록하며, 이는 두 요소가 상호 보완적임을 보여준다.
• 의견 일치도가 사회적 관계보다 더 조밀하게 이용 가능함을 확인할 수 있었으며, 이는 친구 관계 링크보다 측정 가능한 사용자 쌍의 수가 더 많다는 점에서 뚜렷하다.
• Epinions 및 Ciao 데이터셋에서의 결과는 의견 일치도가 추천 정확도를 상당히 향상시킴을 확인했으며, RMSE 및 MAE 등 다양한 지표에서 일관된 추세를 보였다.
• 프레임워크는 실세계 상호작용 데이터로부터 의미 있는 의견 일치도를 성공적으로 추출했으며, 실용적인 추천 시스템에서의 타당성과 효과성을 검증했다.