[논문 리뷰] Symmetric collaborative filtering using the noisy sensor model

Rita Sharma|arXiv (Cornell University)|2009. 01. 01.

Recommender Systems and Techniques참고 문헌 8인용 수 3

한 줄 요약

이 논문은 다른 사용자를 노이즈 센서로 간주하여 사용자 평점을 예측하기 위해 노이즈 센서 모델을 사용하는 대칭적 공동 필터링 접근법을 제안한다. 이는 이진 평점에 대한 베이지안 학습과 다중 값 평점에 대한 선형/동일한 센서 모델의 두 가지 변종을 도입하여, 특히 희소한 평점 상황에서 최신 기술보다 뚜렷한 성능 향상을 보이며, EachMovie 데이터셋을 사용하여 사용자 및 아이템 유사도를 통합함으로써 정확도를 향상시킨다.

ABSTRACT

Collaborative filtering is the process of making recommendations regarding the potential preference of a user, for example shopping on the Internet, based on the preference ratings of the user and a number of other users for various items. This thesis considers the problem of symmetric collaborative filtering based on explicit ratings. To evaluate the algorithms, we consider only pure collaborative filtering, using given ratings and excluding other information about the people or items. Our approach is to predict an active user's preferences regarding a particular item by using other people's ratings of that item and other items rated by the active user as noisy sensors. The noisy sensor model uses Bayes' theorem to compute the probability distribution for the active user's rating of a new item. We give two variants for learning the noisy sensor model: one, for explicit binary rating data; and the second, for explicit multi-valued rating data. The model for binary rating data is based on Bayesian learning. Its performance motivate us to further explore the use of noisy sensor model for multi-valued rating data. We give two variant models for multi-valued rating data: in one, we learn a linear model of how users rate items; in another, we assume different users rate items identically, but that the accuracy of the sensors must be learned. We compare the two models of multi-valued rating data with stateof- the-art techniques and show how they are significantly better whether a user has rated only two items or many. We report empirical results using the EachMovie database of movie ratings. We also show that by considering the items similarity along with the users similarity the accuracy of the prediction increases.

연구 동기 및 목표

• 사용자를 노이즈 센서로 간주하여 평점 예측을 위한 대칭적 공동 필터링 프레임워크를 개발하는 것.
• 베이지안 및 선형 센서 모델을 사용하여 명시적 이진 및 다중 값 사용자 평점을 모델링하는 것.
• 사용자가 몇 개의 아이템만 평가하는 저자료 환경에서의 성능을 평가하는 것.
• 사용자 및 아이템 유사도를 통합하여 예측 정확도를 향상시키는 것.
• 제안된 모델을 최신 기술의 공동 필터링 기법들과 비교하는 것.

제안 방법

• 노이즈 센서 모델은 베이즈 정리에 기반하여 미리보기 없는 아이템에 대한 활성 사용자의 평점에 대한 사후 확률 분포를 계산한다.
• 이진 평점의 경우, 센서 신뢰도를 추정하고 사용자 선호도를 예측하기 위해 베이지안 학습 접근법을 사용한다.
• 다중 값 평점의 경우, 두 가지 모델을 제안한다: 하나는 사용자 평점 행동에 대한 선형 모델이며, 다른 하나는 학습 가능한 센서 정확도를 가정하는 동일한 사용자 행동을 가정한다.
• 사용자 및 아이템 유사도를 통합하여 사용자 및 아이템 상관관계 구조를 활용함으로써 예측 성능을 향상시킨다.
• 모델들은 각각의 암시적 정보 없이 명시적 평점에만 집중하여 EachMovie 데이터셋을 사용해 훈련 및 평가한다.
• 노이즈 센서 프레임워크 하에서 다수의 사용자 평점에서의 증거를 결합하여 예측을 생성한다.

실험 결과

연구 질문

• RQ1 노이즈 센서 모델은 기존 방법들과 비교해 공동 필터링 정확도를 어떻게 향상시키는가?
• RQ2 사용자가 몇 개의 아이템만 평가하는 경우에도 모델은 높은 성능을 유지할 수 있는가?
• RQ3 사용자 행동에 대한 다양한 가정(선형 대비 동일한 평점 패턴)이 예측 품질에 어떤 영향을 미치는가?
• RQ4 사용자 및 아이템 유사도를 모두 통합할 경우 예측 정확도 향상 정도는 어느 정도인가?
• RQ5 이진 평점에 대한 베이지안 학습 접근법은 다중 값 평점 모델과 비교해 어떻게 다른가?

주요 결과

• 제안된 노이즈 센서 모델은 사용자가 두 개의 아이템만 평가하는 경우에도 최신 기술의 공동 필터링 기법을 크게 능가한다.
• 이진 평점에 대한 베이지안 학습 변종은 강력한 기반을 제공하며, 다중 값 평점 모델에 대한 향후 탐색을 유도한다.
• 다중 값 평점에 대한 선형 모델은 동일한 센서 모델보다 더 높은 성능을 달성하며, 특히 개인 사용자의 평점 성향을 잘 포착한다.
• 사용자 및 아이템 유사도를 모두 통합하면 예측 정확도에 명백한 향상이 있다.
• EachMovie 데이터셋에 대한 실증 결과는 노이즈 센서 모델이 다양한 평점 희소성 수준에서 강건하고 효과적임을 확인한다.
• 모델는 최소한의 사용자 평점 이력 조건에서도 높은 정확도를 유지하는 강력한 일반화 능력을 보여준다.