[논문 리뷰] The Technological Gap Between Virtual Assistants and Recommendation Systems

Dimitrios Rafailidis, Yannis Manolopoulos|arXiv (Cornell University)|2018. 12. 21.

Recommender Systems and Techniques참고 문헌 58인용 수 9

한 줄 요약

이 논문은 가상 비서와 추천 시스템 간의 기술적 격차를 규명하며, 상호작용 대화를 통해 변화하는 다각도의 사용자 선호도를 모델링하는 통합 대화형 프레임워크를 제안한다. 대화 관리, 개인화된 선호도 모델링, 실시간 평가 지표를 통합함으로써, 자연스러운 대화를 통해 사용자 노력 감소와 만족도 향상을 이끌어내는 더 유연하고 협업적이며 사용자 중심의 추천 시스템을 가능하게 한다.

ABSTRACT

Virtual assistants, also known as intelligent conversational systems such as Google's Virtual Assistant and Apple's Siri, interact with human-like responses to users' queries and finish specific tasks. Meanwhile, existing recommendation technologies model users' evolving, diverse and multi-aspect preferences to generate recommendations in various domains/applications, aiming to improve the citizens' daily life by making suggestions. The repertoire of actions is no longer limited to the one-shot presentation of recommendation lists, which can be insufficient when the goal is to offer decision support for the user, by quickly adapting to his/her preferences through conversations. Such an interactive mechanism is currently missing from recommendation systems. This article sheds light on the gap between virtual assistants and recommendation systems in terms of different technological aspects. In particular, we try to answer the most fundamental research question, which are the missing technological factors to implement a personalized intelligent conversational agent for producing accurate recommendations while taking into account how users behave under different conditions. The goal is, instead of adapting humans to machines, to actually provide users with better recommendation services so that machines will be adapted to humans in daily life.

연구 동기 및 목표

• 가상 비서와 추천 시스템 간의 사용자 선호도 모델링에서의 기술적 격차를 규명하고 분석하는 것.
• 다단계 대화를 통해 변화하는, 다양한 요소를 포함한 다각도의 사용자 선호도를 동적으로 포착하는 통합 대화형 추천 시스템을 개발하는 것.
• 대화 흐름을 최적화하고 정확한 추천을 위해 필요한 질문 수를 줄임으로써 사용자 노력 최소화하는 것.
• 체류 시간, 순위 성능, 의미적 일관성과 같은 실시간 지표를 사용하여 대화형 추천 시스템을 평가하는 것.
• 대화 기반의 설명 가능하고 협업적인 추천을 인간과 유사한 대화 시스템을 통해 실현하는 것.

제안 방법

• 사용자의 응답과 만족도 수준에 기반한 다단계 상호작용을 지도하는 적응형 대화 정책을 사용하는 대화 매니저 설계.
• 협업 필터링, 콘텐츠 기반, 하이브리드 추천 모델을 대화 인터페이스와 통합하여 동적 사용자 선호도를 모델링하는 것.
• 의미적 일관성 평가 및 주제 이탈 탐지에 사용하기 위해 Word2Vec과 임베딩 유사도 측정 방법을 활용하는 것.
• 대화적 교환에서 잠재된 사용자 관심사를 추론하기 위해 협업 주제 모델링을 적용하는 것.
• 다양한 대화 정책 간 비교 및 사용자 참여도와 추천 정확도 최적화를 위해 A/B 테스트를 수행하는 것.
• 시스템 성능 평가를 위한 실시간 평가 지표(정규화된 할인 누적 수익(NDCG), 정밀도, 재현율, 체류 시간)를 구현하는 것.

실험 결과

연구 질문

• RQ1 대화형 추천 시스템 내에서 기계 학습 모델이 사용자 선호도를 효과적으로 모델링할 수 있는 방법은 무엇인가?
• RQ2 통합 기계 학습 모델을 활용한 교차 도메인 추천에서 최적의 접점은 무엇인가?
• RQ3 대화형 시스템이 자연스러운 대화를 통해 얼마나 잘 설명 가능한 추천을 제공할 수 있는가?
• RQ4 어떤 실시간 성능 지표가 대화형 추천의 품질을 가장 잘 반영하는가?
• RQ5 대화 전략을 어떻게 최적화하여 사용자 노력은 최소화하면서도 추천 정확도는 최대화할 수 있는가?

주요 결과

• 대화형 대화와 추천 시스템의 통합은 상호작용을 통해 변화하는 다각도의 사용자 선호도를 포착함으로써 더 정확하고 개인화된 추천을 가능하게 한다.
• 지능적인 대화 정책를 통해 질문 수를 줄임으로써 사용자 노력이 크게 감소하고, 더 짧은 대화 길이와 더 높은 추천 항목 체류 시간으로 측정된 사용자 만족도가 향상된다.
• Word2Vec 임베딩 유사도로 측정된 대화의 의미적 일관성은 대화 품질과 시스템 이해도의 신뢰할 수 있는 지표로 기능한다.
• 대화 정책에 대한 A/B 테스트 결과, 정적 또는 단일 질문 기반 접근 방식에 비해 적응형이며 맥락 인식 기반의 질문 전략이 추천 정확도와 사용자 참여도 측면에서 뛰어나다는 것이 입증되었다.
• NDCG, 정밀도, 재현율, 체류 시간과 같은 실시간 지표들은 대화형 추천 시스템에 대한 종합적인 평가 프레임워크를 제공한다.
• 본 논문은 현재의 추천 시스템이 대화 지능을 확보하지 못하고 있으며, 가상 비서와 추천 시스템 간 격차를 메우기 위해 통합 프레임워크가 필수적임을 규명한다.