[논문 리뷰] Social Trust as a solution to address sparsity-inherent problems of Recommender systems

Georgios Pitsilis, Svein J. Knapskog|arXiv (Cornell University)|2012. 08. 05.

Recommender Systems and Techniques참고 문헌 17인용 수 36

한 줄 요약

이 논문은 사용자 평가에서 유도된 사회적 신뢰를 활용하여 추천 시스템의 희소성 문제와 냉각기 문제를 완화하는 방법을 제안한다. 기존 평가 데이터로부터 신뢰 관계를 추론함으로써, 추천 정확도와 내구성을 향상시키며, 특히 시스템의 초기 발전 단계에서 비신뢰 기반 시스템보다 뛰어난 성능을 보인다.

ABSTRACT

Trust has been explored by many researchers in the past as a successful solution for assisting recommender systems. Even though the approach of using a web-of-trust scheme for assisting the recommendation production is well adopted, issues like the sparsity problem have not been explored adequately so far with regard to this. In this work we are proposing and testing a scheme that uses the existing ratings of users to calculate the hypothetical trust that might exist between them. The purpose is to demonstrate how some basic social networking when applied to an existing system can help in alleviating problems of traditional recommender system schemes. Interestingly, such schemes are also alleviating the cold start problem from which mainly new users are suffering. In order to show how good the system is in that respect, we measure the performance at various times as the system evolves and we also contrast the solution with existing approaches. Finally, we present the results which justify that such schemes undoubtedly work better than a system that makes no use of trust at all.

연구 동기 및 목표

• 협업 필터링 기반 추천 시스템에서 내재된 희소성 문제를 해결하기 위해.
• 신규 사용자에 대한 냉각기 문제를 사회적 신뢰 관계를 활용하여 완화하기 위해.
• 기존 평가 데이터로부터의 신뢰 추론이 추천 품질 향상에 얼마나 효과적인지 평가하기 위해.
• 신뢰 기반 시스템을 신뢰가 없는 기반 시스템과 비교하기 위해.
• 시간이 지남에 따라 신뢰 기반 추천의 확장성과 진화 가능성을 입증하기 위해.

제안 방법

• 사용자 간의 평가 패턴과 선호도 유사성에 기반해 사회적 신뢰 관계를 유추하기 위해.
• 공유된 평가 행동과 일관성을 바탕으로 신뢰를 계산하는 웹오브트러스트 모델을 사용하기 위해.
• 누락된 평가를 추정하고 추천을 향상시키기 위해 신뢰 전파를 적용하기 위해.
• 사용자 유사도를 가중치로 삼아 협업 필터링 과정에 신뢰 점수를 통합하기 위해.
• 계속 변화하는 시스템 상태에서 RMSE 및 MAE와 같은 표준 지표를 사용해 성능을 평가하기 위해.
• 다양한 수준의 사용자 활동과 데이터 희소성에서 실세계 데이터셋을 활용해 접근법을 검증하기 위해.

실험 결과

연구 질문

• RQ1 사용자 평가에서 유도된 신뢰가 추천 시스템에서 데이터 희소성의 영향을 효과적으로 줄일 수 있는가?
• RQ2 사회적 신뢰를 통합함으로써 추천 정확도가 얼마나 향상되는가, 특히 신규 사용자에게서는 어느 정도의 향상이 이루어지는가?
• RQ3 더 많은 데이터가 수집됨에 따라 신뢰 기반 시스템의 성능이 시간이 지남에 따라 어떻게 변화하는가?
• RQ4 신뢰 기반 접근법이 신뢰가 없는 전통적 협업 필터링과 비교해 어떻게 다른가?
• RQ5 신뢰 유추가 사용자 및 항목 추천에서 냉각기 문제를 완화하는 데 도움이 될 수 있는가?

주요 결과

• 신뢰 기반 시스템은 특히 희소한 데이터 환경에서 RMSE 및 MAE 측면에서 비신뢰 기반 기반선보다 뚜렷이 뛰어난 성능을 보였다.
• 평가 데이터로부터의 신뢰 유추는 신규 사용자에게 대한 추천 품질을 향상시켜 냉각기 문제를 효과적으로 완화시켰다.
• 사용자 상호작용를 통해 더 많은 신뢰 관계가 수립됨에 따라 성능이 시간이 지남에 따라 향상되었다.
• 이 방법은 다양한 수준의 데이터 희소성에서 뛰어난 내구성을 보였으며, 전통적 시스템이 실패하는 상황에서도 높은 정확도를 유지했다.
• 신뢰 전파를 통해 일관된 사용자 행동 패턴을 활용함으로써 추천의 신뢰성을 향상시켰다.
• 결과는 평가 행동에서 유도된 사회적 신뢰가 희소성과 냉각기 문제 해결을 위한 타당하고 효과적인 솔루션임을 확인시켰다.