[논문 리뷰] Trust in Recommender Systems: A Deep Learning Perspective.

Manqing Dong, Feng Yuan외 4명|arXiv (Cornell University)|2020. 04. 08.

Machine Learning in Healthcare참고 문헌 26인용 수 7

한 줄 요약

이 종합 검토는 신뢰할 수 있는 추천 시스템을 위한 딥러닝 기반 프레임워크를 제시하며, 세 가지 신뢰 차원인 사회적 관계, 악성 데이터에 대한 강건성, 설명 가능성에 초점을 맞춘다. 최근의 딥러닝 기술 발전을 종합하여 사회적 인지 모델링, 노이즈 필터링, 해석 가능한 추천을 통해 사용자 신뢰를 향상시킨다.

ABSTRACT

A significant remaining challenge for existing recommender systems is that users may not trust the recommender systems for either lack of explanation or inaccurate recommendation results. Thus, it becomes critical to embrace a trustworthy recommender system. This survey provides a systemic summary of three categories of trust-aware recommender systems: social-aware recommender systems that leverage users' social relationships; robust recommender systems that filter untruthful noises (e.g., spammers and fake information) or enhance attack resistance; explainable recommender systems that provide explanations of recommended items. We focus on the work based on deep learning techniques, an emerging area in the recommendation research.

연구 동기 및 목표

• 추천 시스템에서 설명 부족이나 정확도 부족으로 인한 사용자 불신 문제를 해결하기 위해.
• 딥러닝의 관점에서 신뢰 인지 추천 시스템을 체계적으로 분류하고 분석하기 위해.
• 딥러닝 기법을 활용한 사회적 인지, 강건성, 설명 가능성 추천 시스템 분야의 핵심 연구 방향을 규명하기 위해.
• 추천 시스템의 신뢰를 향상시키는 데 기여하는 딥러닝 기반 방법에 대한 종합적인 개요를 제공하기 위해.

제안 방법

• 논문은 사용자 간의 사회적 관계를 통합하여 추천 정확도와 신뢰를 향상시키는 딥러닝 기반 모델을 조사한다.
• 가짜 리뷰나 스팸과 같은 위조된 데이터를 탐지하고 제거하기 위한 딥러닝 아키텍처를 분석하여 시스템의 강건성을 향상시킨다.
• 신경망 기반의 설명 생성 기법을 분석하여 추천에 대한 인간이 이해할 수 있는 근거를 제공한다.
• 정확도, 강건성, 설명 가능성의 세 가지 요소를 동시에 최적화하는 엔드 투 엔드 딥러닝 프레임워크를 평가한다.
• 사회적 관계 및 상호작용 관계를 모델링하는 데 사용되는 다양한 어텐션 메커니즘과 그래프 신경망(GNN)을 비교 분석한다.
• 신뢰 관련 추천 작업에 적용된 아키텍처들인 GCN, 트랜스포머, 오토에인커더에 초점을 맞춘다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 어떻게 사회적 관계를 활용하여 추천 시스템의 신뢰를 향상시킬 수 있는가?
• RQ2 어떤 딥러닝 기법이 악성 또는 위조된 데이터로부터 추천 시스템의 강건성을 향상시키는가?
• RQ3 딥러닝 기반의 설명 생성 방법은 사용자의 이해도와 추천에 대한 신뢰를 어떻게 향상시키는가?
• RQ4 정확도, 강건성, 설명 가능성의 세 가지 요소를 동시에 최적화하는 데 기여하는 주요 아키텍처 구성 요소는 무엇인가?
• RQ5 다양한 딥러닝 모델은 사회적 영향력, 강건성, 설명 가능성 차원에서 신뢰성 측면에서 어떻게 비교될 수 있는가?

주요 결과

• 딥러닝 기반의 사회적 인지 모델은 그래프 신경망을 통해 사용자의 사회적 연결을 통합함으로써 추천 성능을 향상시킨다.
• 딥러닝을 활용한 강건한 추천 시스템은 스팸 및 가짜 리뷰를 효과적으로 필터링하여 오염 공격에 대한 저항력을 높인다.
• 어텐션 메커니즘과 시퀀스 모델링을 기반으로 한 설명 가능한 추천 시스템은 더 해석 가능하고 사용자가 이해하기 쉬운 근거를 생성한다.
• 딥러닝을 통한 세 신뢰 차원의 통합 모델링은 더 신뢰할 수 있고 투명한 추천을 가능하게 한다.
• 딥러닝 프레임워크에 설명 가능성과 강건성을 통합함으로써 추천 정확도를 희생시키지 않고도 사용자 신뢰를 향상시킬 수 있다.
• 이 조사에서는 사회적 영향력, 데이터 무결성, 설명 품질을 동시에 다루는 통합 아키텍처로의 발전 추세가 뚜렷이 드러나 있다.