[논문 리뷰] Trust-Based Collaborative Filtering: Tackling the Cold Start Problem Using Regular Equivalence

Tomislav Đuričić, Emanuel Lacić외 2명|arXiv (Cornell University)|2018. 07. 18.

Privacy-Preserving Technologies in Data참고 문헌 13인용 수 6

한 줄 요약

이 논문은 추천 시스템에서의 쿨스타트 문제를 해결하기 위해 정규 등가성과 함께 카츠 유사도(KS)를 사용하는 신뢰 기반 협동 필터링 접근법을 제안한다. 경로 길이 제어 및 정규화 기법을 적용한 반복적 KS 계산을 통해, 특히 길이 2인 경로에 대해 전파된 신뢰도를 강화함으로써 기준 대비 뛰어난 추천 정확도를 달성하였으며, 최고의 방법(KS_{PCMB})이 모든 메트릭에서 다른 방법들을 능가하였다.

ABSTRACT

User-based Collaborative Filtering (CF) is one of the most popular approaches to create recommender systems. This approach is based on finding the most relevant k users from whose rating history we can extract items to recommend. CF, however, suffers from data sparsity and the cold-start problem since users often rate only a small fraction of available items. One solution is to incorporate additional information into the recommendation process such as explicit trust scores that are assigned by users to others or implicit trust relationships that result from social connections between users. Such relationships typically form a very sparse trust network, which can be utilized to generate recommendations for users based on people they trust. In our work, we explore the use of a measure from network science, i.e. regular equivalence, applied to a trust network to generate a similarity matrix that is used to select the k-nearest neighbors for recommending items. We evaluate our approach on Epinions and we find that we can outperform related methods for tackling cold-start users in terms of recommendation accuracy.

연구 동기 및 목표

• 신규 사용자가 거의 또는 전혀 평가를 하지 않은 경우 발생하는 협동 필터링의 쿨스타트 문제를 해결하기 위해.
• 명시적 및 암시적 양식의 신뢰 네트워크를 활용하여 쿨스타트 사용자의 이웃 선택을 향상시키기 위해.
• 정규 등가성 측정치로써 카츠 유사도를 사용하여, 보다 정확한 유사도 계산을 수행하기 위해.
• 정규화 기법과 전파된 신뢰도의 경로 길이가 추천 정확도에 미치는 영향을 평가하기 위해.
• 간접 신뢰 경로(길이 2)에 대해 유사도 값을 강화함으로써, 전파된 신뢰도의 영향력을 높여 추천 성능을 향상시키기 위해.

제안 방법

• Epinions 데이터셋의 사용자 신뢰 관계에서 유도된 방향성 신뢰 인접 행렬을 구축한다.
• 유저 간 쌍별 유사도를 계산하기 위해, 설정 가능한 최대 경로 길이(k_max)를 갖는 반복적 카츠 유사도(KS) 계산을 적용한다.
• 길이 2인 경로에 대해 유사도 값을 강화하여 간접 신뢰 연결의 중요도를 높이는 수정된 KS 측정법을 도입한다.
• 다양한 정규화 기법을 적용: 병합된 차수 정규화, l1, l2 또는 최대값 정규화를 사용한 행 정규화를 통해, 유사도 분포의 안정성과 향상을 도모한다.
• 유사도 행렬을 기반으로 협동 필터링에 사용할 k개의 근접 이웃을 선정하며, 평가 시 k=10으로 설정한다.
• 다양한 추천 항목 수(k=1에서 10까지)에 따라 표준 정확도 메트릭(예: Recall, Precision)을 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 정규 등가성 측정치로써 카츠 유사도가, 쿨스타트 사용자에 대한 신뢰 기반 협동 필터링에서 이웃 선택을 효과적으로 향상시키는가?
• RQ2 KS 계산에서 최대 경로 길이(k_max)를 제어할 경우, 추천 정확도에 어떤 영향을 미치는가?
• RQ3 KS를 사용할 때, 희박한 신뢰 네트워크에서 안정적이고 정확한 유사도 행렬을 얻는 데 가장 효과적인 정규화 기법(차수 정규화, 행 정규화)은 무엇인가?
• RQ4 간접 신뢰 경로(길이 2)에 대해 유사도 값을 강화할 경우, 표준 KS 대비 추천 성능 향상이 이루어지는가?
• RQ5 다양한 k 값에서, 제안된 KS 기반 접근법이 기준 방법(예: Trust_exp, Pearson, Cosine)에 비해 정확도와 내성성 면에서 어떻게 비교되는가?

주요 결과

• 병합된 차수 정규화, 최대값 정규화를 사용한 행 정규화, k_max=2, 길이 2 경로에 대해 유사도를 강화한 KS_{PCMB} 방법이 모든 정확도 메트릭에서 최고의 성능을 기록하였다.
• 신뢰 전파를 비활성화한 경우(k_max=1), 정규화 없이도 단순한 Trust_exp 방법이 더 복잡한 정규화 기법보다 뛰어난 성능을 보였다.
• 신뢰 전파를 통해 유사도 행렬의 밀도가 0.0002에서 0.008로 증가하여, 활용 가능한 이웃 관계의 수가 크게 증가하였다.
• 최대값 정규화를 사용한 행 정규화가 대부분의 설정에서 l1 및 l2 정규화보다 뛰어난 성능을 보였다.
• 병합된 차수 정규화가 들어온 인-degree 정규화보다 더 좋은 결과를 내었으며, 특히 행 정규화와 조합했을 때 두드러진 성능 향상을 보였다.
• KS_{PCMB} 방법은 k=1에서 10까지의 Recall-Precision 플롯에서 모든 기준 방법과 다른 KS 기반 변형보다 뛰어난 성능을 보이며, 추천 목록 길이에 관계없이 뛰어난 내성성을 입증하였다.