[논문 리뷰] The FacT: Taming Latent Factor Models for Explainability with Factorization Trees

Yiyi Tao, Yiling Jia외 2명|arXiv (Cornell University)|2019. 06. 03.

Recommender Systems and Techniques참고 문헌 39인용 수 10

한 줄 요약

FacT 모델은 회귀 트리와 잠재 요인 모델을 통합하여 리뷰 감성에서 유도된 규칙 기반 의사결정 경로를 통해 사용자 및 아이템 선호도를 학습함으로써 설명 가능한 추천을 구현한다. 트리 구조의 경로를 따라 잠재 요인을 정교화함으로써 높은 추천 정확도를 달성하면서도, 기능 수준의 의견에 기반한 충실하고 해석 가능한 설명을 제공한다. 이는 오프라인 평가와 사용자 연구 모두에서 기준 모델을 능가한다.

ABSTRACT

Latent factor models have achieved great success in personalized recommendations, but they are also notoriously difficult to explain. In this work, we integrate regression trees to guide the learning of latent factor models for recommendation, and use the learnt tree structure to explain the resulting latent factors. Specifically, we build regression trees on users and items respectively with user-generated reviews, and associate a latent profile to each node on the trees to represent users and items. With the growth of regression tree, the latent factors are gradually refined under the regularization imposed by the tree structure. As a result, we are able to track the creation of latent profiles by looking into the path of each factor on regression trees, which thus serves as an explanation for the resulting recommendations. Extensive experiments on two large collections of Amazon and Yelp reviews demonstrate the advantage of our model over several competitive baseline algorithms. Besides, our extensive user study also confirms the practical value of explainable recommendations generated by our model.

연구 동기 및 목표

• 잠재 요인 모델에서 추천 품질과 설명 충실도 사이의 오랜 상충 관계를 해결하기 위해.
• 성능을 희생시키지 않고도 규칙 기반으로 인간이 이해할 수 있는 설명을 생성하는 방법을 개발하기 위해.
• 사용자 및 아이템 선호도를 사용자 생성 리뷰를 기반으로 한 회귀 트리로 구조화함으로써 설명 가능성 향상을 위해.
• 기능 수준의 규칙에 기반한 상호작용형 인터뷰를 통해 냉시작 사용자에 대한 효과적인 추천을 가능하게 하기 위해.
• 오프라인 실험과 사용자 연구를 통해 설명 품질과 추천 만족도를 비교함으로써 모델의 우수성을 검증하기 위해.

제안 방법

• 각 노드가 기능 수준의 의견에 기반한 의사결정 규칙를 나타내는, 감성 태깅이 된 리뷰를 사용해 사용자 및 아이템에 대해 별도의 회귀 트리를 구축한다.
• 사용자 및 아이템 트리의 각 노드에 잠재 요인 프로파일을 연결하며, 유사한 사용자/아이템을 계층적으로 군집화함으로써 트리가 성장함에 따라 이를 정교화한다.
• 최종 잠재 요인들이 규칙 경로와 일관성을 유지하도록, 추천 손실 하에 잠재 요인과 트리 구조를 함께 학습한다.
• 사용자 및 아이템 트리의 루트에서 리프까지의 경로를 사용해 각 추천의 근거를 추적함으로써, 의사결정 규칙을 통한 설명을 가능하게 한다.
• 냉시작 사용자를 위한 경우, 사용자가 기능별 질문에 답함으로써 사용자 트리를 따라가는 상호작용형 인터뷰 프로세스를 활용하여 개인화된 잠재 요인을 생성한다.
• 인터리브드 사용자 연구를 적용하여 FacT와 FMF(아이템 기반 규칙을 사용하는 기준 모델)를 비교하며, 추천 선호도, 설명 품질, 의사결정 자신감을 측정한다.

실험 결과

연구 질문

• RQ1 회귀 트리와 잠재 요인 학습을 통합한 하이브리드 모델이 높은 추천 정확도와 충실하고 해석 가능한 설명을 동시에 달성할 수 있는가?
• RQ2 기능 수준의 의견을 기반으로 한 규칙 기반 설명과 아이템 수준의 비교를 기반으로 한 설명 간의 충실도는 어떻게 비교되는가?
• RQ3 사용자들이 이해도와 의사결정 자신감 측면에서 기능 기반 규칙에 기반한 설명을 아이템 기반 규칙에 기반한 설명보다 얼마나 선호하는가?
• RQ4 제안된 모델이 규칙 기반 의사결정 트리에 기반한 상호작용형 인터뷰 프로세스를 통해 냉시작 사용자를 효과적으로 처리할 수 있는가?
• RQ5 감성 분석과 트리 구조 규칙의 통합이 기존 기준 모델 대비 투명성과 추천의 인식 품질을 향상시키는가?

주요 결과

• FacT는 아마존과 유프의 데이터셋에서 오프라인 추천 성능에서 여러 경쟁 기준 모델을 뛰어넘었으며, 뛰어난 정확도와 강건성을 입증했다.
• 사용자 연구에서 FacT는 추천 만족도(Q1) 63%, 설명 품질(Q2) 64%, 정보 기반 의사결정(Q3) 71%에서 FMF를 앞섰으며, 모든 차이가 통계적으로 유의미했다(p < 0.05).
• 기능 수준의 규칙 사용은 아이템 수준의 규칙보다 더 투명하고 선호되는 설명을 제공했으며, 사용자들은 이를 더 세밀하고 실행 가능하다고 평가했다.
• 기능별 질문에 기반한 상호작용형 인터뷰 프로세스를 통해 사용자를 안내함으로써 모델은 냉시작 문제를 성공적으로 해결했으며, 개인화된 잠재 요인과 설명을 생성했다.
• 사용자 및 아이템 트리의 루트에서 리프까지의 경로는 각 추천이 어떻게 생성되었는지 명확하고 추적 가능한 설명을 제공하여 시스템의 투명성을 향상시켰다.
• 잠재 요인과 트리 구조의 공동 최적화를 통해 설명이 근사치가 아니라 추천 메커니즘의 본질적인 일부임을 보장하여 높은 설명 충실도를 확보했다.