[논문 리뷰] TribeFlow: Mining & Predicting User Trajectories

Flávio Figueiredo, Bruno Ribeiro외 2명|arXiv (Cornell University)|2015. 11. 03.

Music and Audio Processing참고 문헌 59인용 수 4

한 줄 요약

TribeFlow는 비정상적이고 일시적이며 시간에 따라 변화하는 사용자 경로를 잠재적이고 정상적이며 시간에 따라 동일한 환경에서의 짧은 무작위 보행으로 분해함으로써 확장 가능하고 파rameter가 필요 없는 방법이다. 이는 MultiLME와 FPMC와 같은 최신 기술보다 다음 항목 예측 작업에서 최대 900% 높은 정확도와 413배 빠른 성능을 달성한다.

ABSTRACT

Which song will Smith listen to next? Which restaurant will Alice go to tomorrow? Which product will John click next? These applications have in common the prediction of user trajectories that are in a constant state of flux over a hidden network (e.g. website links, geographic location). What users are doing now may be unrelated to what they will be doing in an hour from now. Mindful of these challenges we propose TribeFlow, a method designed to cope with the complex challenges of learning personalized predictive models of non-stationary, transient, and time-heterogeneous user trajectories. TribeFlow is a general method that can perform next product recommendation, next song recommendation, next location prediction, and general arbitrary-length user trajectory prediction without domain-specific knowledge. TribeFlow is more accurate and up to 413x faster than top competitors.

연구 동기 및 목표

• 비정상적이고 일시적이며 시간에 따라 변화하는 환경에서 사용자 경로를 예측하는 데 도전하는 것.
• 도메인 특화 기능이나 시간대 효과 없이도 일반 목적의 방법을 개발하여 다음 항목 예측을 수행하는 것.
• 음악, 제품, 위치 예측과 같은 다양한 응용 분야에서 정확하고 확장 가능한 개인화된 추천을 가능하게 하는 것.
• 텐서 분해와 마르코프 기반 모델이 비동기적이고 변화하는 사용자 행동을 포착하는 데 한계를 극복하는 것.

제안 방법

• TribeFlow는 사용자 경로를 잠재적이고 정상적이며 시간에 따라 동일한 항목 간 그래프(잠재 환경)에서의 짧은 무작위 보행으로 분해한다.
• 파rameter 조정이 필요 없이 비모수적 계층 베이지안 모델을 사용하여 잠재 환경와 사용자 선호도를 추론한다.
• 사용자 행동은 잠재 환경 간의 가중 이동을 통해 포착되며, 변화하는 관심사에 동적으로 적응할 수 있다.
• 사용자 역사를 기반으로 활성 잠재 환경에 대한 사후 확률을 계산하고 무작위 보행을 시뮬레이션하여 다음 항목 예측을 수행한다.
• 이 방법은 완전히 병렬화 가능하여 대규모 데이터셋에서도 고속 추론을 가능하게 한다.
• 사용자 역사를 통합하여 현재의 잠재 환경를 추론하고 무작위 보행 샘플링을 통해 다음 항목을 예측한다.

실험 결과

연구 질문

• RQ1 도메인 특화 기능이나 시간대 효과 없이도 일반적인 방법이 다양한 도메인에서 사용자 경로를 예측할 수 있는가?
• RQ2 텐서 기반 및 마르코프 기반 방법과 비교해 볼 때, 모델이 비정상적이고 일시적이며 시간에 따라 변화하는 사용자 경로 행동을 얼마나 잘 포착할 수 있는가?
• RQ3 대규모 사용자 경로 데이터에 대한 다음 항목 예측에서 정확도와 확장성 사이의 상호 교환 관계는 어떠한가?
• RQ4 시계열 정보나 외부 기능 없이도 원시 사용자 경로에서 잠재 환경를 효과적으로 추론할 수 있는가?

주요 결과

• TribeFlow는 MultiLME, PRLME, FPMC와 같은 최신 기술보다 다음 항목 예측 작업에서 최대 900% 높은 정확도를 달성한다.
• 가장 빠른 경쟁자인 MultiLME보다 최대 413배 빠르며, 작업을 수일이 아닌 수시간 내에 완료한다.
• 비동기 사용자가 포함된 시뮬레이션 데이터에서 TribeFlow는 기저의 마르코프 체인 구조를 완벽하게 복원하지만, 텐서 분해는 사용자별 패턴을 식별하지 못한다.
• 특히 일시적이고 비정상적인 설정에서 TM-LDA와 텐서 인수분해 방법보다 잠재 사용자 행동을 더 잘 포착한다.
• 파rameter 조정 없이도 강건하게 작동하여 YooChoose, LFM-1k, FourSquare를 포함한 다양한 데이터셋에서 강력한 일반화 성능을 보여준다.
• 샘플링된 데이터셋에서 TribeFlow는 경쟁자들보다 최소 23% 높은 정확도를 기록하여 예측 성능에서 일관된 우수성을 입증한다.