[논문 리뷰] Towards Equivalent Transformation of User Preferences in Cross Domain Recommendation

Xu Chen, Ya Zhang외 3명|arXiv (Cornell University)|2020. 09. 15.

Recommender Systems and Techniques인용 수 9

한 줄 요약

이 논문은 사용자 선호도를 상호적이고 원칙적인 변환을 통해 도메인 간에 모델링함으로써 공통 및 도메인 전용 특징을 모두 유지하는, 교차 도메인 추천을 위한 새로운 방법인 Equivalent Transformation Learner(ETL)을 제안한다. ETL은 변환 가능성을 갖춘 변환과 변환 가능성을 갖춘 변환을 함께 사용하여 사용자 행동 분포를 모델링함으로써, 히ュ리스틱 설계나 데이터 선택 없이도 세 가지 벤치마크에서 최신 기술을 초월하는 성능을 달성한다.

ABSTRACT

Cross domain recommendation (CDR) is one popular research topic in recommender systems. This paper focuses on a popular scenario for CDR where different domains share the same set of users but no overlapping items. The majority of recent methods have explored the shared-user representation to transfer knowledge across domains. However, the idea of shared-user representation resorts to learn the overlapped features of user preferences and suppresses the domain-specific features. Other works try to capture the domain-specific features by an MLP mapping but require heuristic human knowledge of choosing samples to train the mapping. In this paper, we attempt to learn both features of user preferences in a more principled way. We assume that each user's preferences in one domain can be expressed by the other one, and these preferences can be mutually converted to each other with the so-called equivalent transformation. Based on this assumption, we propose an equivalent transformation learner (ETL) which models the joint distribution of user behaviors across domains. The equivalent transformation in ETL relaxes the idea of shared-user representation and allows the learned preferences in different domains to preserve the domain-specific features as well as the overlapped features. Extensive experiments on three public benchmarks demonstrate the effectiveness of ETL compared with recent state-of-the-art methods. Codes and data are available online:~\url{https://github.com/xuChenSJTU/ETL-master}

연구 동기 및 목표

• 기존 교차 도메인 추천(CDR) 방법이 공통 사용자 표현에 과도하게 중점을 두어 도메인 전용 특징을 손상시키는 한계를 해결하기 위해.
• 통합 프레임워크 내에서 겹치는 특징와 도메인 전용 사용자 선호도 특징을 모두 포괄하는 원칙적인 방법을 개발하기 위해.
• 밀도 높은 사용자 샘플 선택이나 맵핑 함수를 위한 네트워크 아키텍처 설계와 같은 히ュ리스틱 인간 간섭이 필요 없도록 하기 위해.
• 변환 가능성을 갖춘 변환과 변분 추론을 사용하여 도메인 간 사용자 행동의 공동 분포를 모델링하기 위해.
• 사용자 간에 아이템이 겹치지 않는 U-NI(사용자-아이템 겹침 없음) 상황에서 추천 성능을 향상시키기 위해, 즉 도메인 간 사용자는 공유하지만 아이템은 공유하지 않는 경우

제안 방법

• 한 도메인의 사용자 선호도가 다른 도메인으로 등가로 변환될 수 있다는 가정을 하는 Equivalent Transformation Learner(ETL)를 제안한다.
• 사용자 행동의 공동 분포를 최대 우도를 위해 변분 추론을 사용하여 모델링한다.
• 사용자 표현 간의 공통 및 도메인 전용 특징을 모두 유지하는 가속 가능한 등가 변환 모듈을 도입한다.
• 공동 사용자 표현 분포에 대해 정규 분포 사전을 사용하며, 변환 강도와 정규화를 제어하는 하이퍼파라미터를 포함한다.
• 잠재 표현을 학습하고 양 도메인의 사용자 행동을 재구성하기 위해 변분 autoencoder 유사 구조를 사용한다.
• 재구성 손실과 사전 정규화 항을 별도로 포함하는 증거 하한(lower bound, ELBO) 최적화를 통해 모델을 최적화한다.

실험 결과

연구 질문

• RQ1 한 도메인의 사용자 선호도가 다른 도메인으로 효과적이고 등가로 변환될 수 있는가? 이를 통해 교차 도메인 추천 성능이 향상되는가?
• RQ2 공통 및 도메인 전용 특징을 모두 포괄하면서도 어느 쪽도 훼손하지 않고 모델이 둘 다를 동시에 포착할 수 있는가?
• RQ3 히ュ리스틱 방법(예: 밀도 높은 사용자 샘플 수동 선택 또는 수작업으로 설계된 네트워크 아키텍처)에 의존하는 것보다, 원칙적이고 우도 기반 접근 방식이 성능에서 뛰어나지 않는가?
• RQ4 다양한 사전 분포가 등가 변환 모델의 성능에 어떤 영향을 미치는가?
• RQ5 변환 강도와 정규화를 제어하는 하이퍼파라미터가 모델 성능에 미치는 영향은 무엇인가?

주요 결과

• ETL는 Movie & Book, Movie & Music, Music & Book 세 가지 공개 벤치마크에서 최신 기술을 초월하는 최상의 성능을 기록하였다. DARec 및 EMCDR와 같은 기존 방법들을 모두 능가한다.
• Movie & Book 데이터셋에서 ETL은 HR@10 0.6550, NDCG@10 0.4442를 기록하였으며, 다음으로 좋은 방법보다 NDCG에서 0.02 이상 높게 성능을 냈다.
• 균일 사전은 사용자 선호도 분포에 대한 잘못된 가정으로 인해 일관되게 성능이 열 劣하다. 반면 정규 분포와 라플라스 분포 사전은 유사하고 뛰어난 성능을 보였다.
• 하이퍼파라미터 민감도 분석 결과 최적 설정은 데이터셋에 따라 달라지며, Movie & Book에서는 λ ≈ 0.2 및 η ≈ 10.0이 가장 좋은 성능을 냈고, Movie & Music에서는 λ ≈ 5.0 및 η ≈ 0.5가 최적임을 확인하였다.
• MVGaussian 사전은 표준 정규 분포보다 성능 향상이 없었으며, 이는 매개변수 설정의 어려움과 인간 편향의 위험으로 인한 것으로 보인다.
• 제거 실험 결과 공통 및 도메인 전용 특징을 모두 학습하는 것이 필수적임을 확인하였으며, 공통 특징만 학습하는 모델은 성능이 열 劣하였다.