[논문 리뷰] Towards Personality-Aware Recommendation

Giorgio Roffo|arXiv (Cornell University)|2016. 07. 18.

Personality Traits and Psychology참고 문헌 14인용 수 4

한 줄 요약

이 논문은 120명의 사용자가 평가한 300개의 실제 광고를 포함하고 있으며, Big-Five 성격 특성과 사용자가 제공한 사진 정보를 보완한 공개 벤치마크인 ADS 데이터셋을 소개한다. 성격 특성을 통합함으로써 광고 평가 예측 성능(모든 L2-SVR 및 LR 모델에서 RMSE 감소)과 클릭률 예측 성능(_LR-B5 모델에서 AUC 51.9%에서 53.4%로 향상)이 크게 향상됨을 보여주며, 성격 인식 기반 추천 시스템의 기초를 마련한다.

ABSTRACT

In the last decade new ways of shopping online have increased the possibility of buying products and services more easily and faster than ever. In this new context, personality is a key determinant in the decision making of the consumer when shopping. The two main reasons are: firstly, a person's buying choices are influenced by psychological factors like impulsiveness, and secondly, some consumers may be more susceptible to making impulse purchases than others. To the best of our knowledge, the impact of personality factors on advertisements has been largely neglected at the level of recommender systems. This work proposes a highly innovative research which uses a personality perspective to determine the unique associations among the consumer's buying tendency and advert recommendations. As a matter of fact, the lack of a publicly available benchmark for computational advertising do not allow both the exploration of this intriguing research direction and the evaluation of state-of-the-art algorithms. We present the ADS Dataset, a publicly available benchmark for computational advertising enriched with Big-Five users' personality factors and 1,200 personal users' pictures. The proposed benchmark allows two main tasks: rating prediction over 300 real advertisements (i.e., Rich Media Ads, Image Ads, Text Ads) and click-through rate prediction. Moreover, this work carries out experiments, reviews various evaluation criteria used in the literature, and provides a library for each one of them within one integrated toolbox.

연구 동기 및 목표

• 성격 인식 광고 추천을 위한 공개 가능한 벤치마크의 부족을 해결하기 위해.
• 온라인 광고에서 성격 특성이 사용자 선호도에 미치는 영향을 조사하기 위해.
• 성격 기반 추천 시스템을 테스트하기 위한 표준화된 데이터셋과 평가 프레임워크를 제공하기 위해.
• 최신 알고리즘을 성격 및 정서적 특성과 함께 계산적 광고 분야에서 체계적으로 평가할 수 있도록 하기 위해.

제안 방법

• 300개의 실제 광고(리치 미디어, 이미지, 텍스트 광고 형식 포함)를 120명의 참가자가 다수의 형식에서 평가한 통제된 사용자 연구를 통해 ADS 데이터셋을 수집하였다.
• 성격 특성은 Big-Five 차원(열린성, 성실성, 외향성, 우호성, 신경성)을 측정하는 데 사용된 BFI-10 설문지를 통해 측정되었다.
• 데이터셋에는 인구통계학적 정보, 사용자 선호도(웹사이트, 음악, 티비, 책, 취미) 및 1,200장의 사용자 제공 개인 사진이 포함되어 있다.
• 특성 선택은 Inf-FS 방법을 통해 수행되었으며, 이는 특성 간 관계를 유사도 그래프로 모델링하고 회귀 과제에서 기여도가 높은 75%의 특성만을 선별한다.
• 성격 특성이 포함된 모델과 포함되지 않은 모델을 비교하기 위해 L2-SVR, 로지스틱 회귀(LR), SVR-rbf 기반 기준 모델을 학습하였다.
• 표준 평가 지표(예: RMSE, MSE, MAE)를 사용한 평가 예측과 AUC, 정밀도, 재현율을 사용한 클릭 예측 평가를 통합한 종합적인 평가 라이브러리를 개발하였다.

실험 결과

연구 질문

• RQ1 성격 특성이 추천 시스템 내 광고 평가 예측 정확도에 얼마나 기여하는가?
• RQ2 기준 모델 대비 성격 인식 특성이 클릭률 예측 성능 향상에 기여하는가?
• RQ3 다양한 평가 지표(AUC, 정밀도, 재현율 등)는 성격 기반 광고 추천 시스템 평가에서 어떻게 비교되는가?
• RQ4 성격 특성과 다른 사용자 특성(예: 인구통계학적 정보, 선호도) 간 광고 참여도 예측에서 상대적 기여도는 어떠한가?
• RQ5 표준화된 벤치마크는 계산적 광고 분야에서 재현 가능한 연구 및 비교를 어떻게 지원하는가?

주요 결과

• Big-Five 성격 특성을 통합함으로써 광고 평가 과제에서 예측 성능이 유의미하게 향상되었으며, L2-SVR의 경우 유의미한 영향(p < 0.05)을 보였고, 로지스틱 회귀의 경우 더 강한 영향(p < 0.01)을 보였다.
• LR-B5 모델은 클릭률 예측에서 AUC 53.4%를 달성하여 기준 LR 모델(51.9%) 대비 1.5%p 향상되었다.
• 성격 특성 추가로 L2-SVR의 AUC는 50.5%에서 51.4%로 0.9%p 향상되었고, SVR-rbf의 경우 48.3%에서 50.1%로 1.1%p 향상되었다.
• LR-B5 모델의 정밀도와 재현율은 각각 41.2%와 52.1%를 기록하여 선호 광고를 보다 균형 있게 추천하는 데 성공했다.
• Inf-FS 방법은 특성 차원을 줄이는데 성공하여 관련도 높은 75%의 특성(성격 특성 및 사용자 행동 패tern 포함)을 선별하였다.
• 제안된 코드 라이브러리는 표준화된 지표를 사용해 평가 예측 및 클릭 예측 과제에서 추천 시스템의 일관되고 대규모 평가를 가능하게 하였다.