[논문 리뷰] Two-Way Latent Grouping Model for User Preference Prediction

Eerika Savia, Kai Puolamäki외 2명|arXiv (Cornell University)|2012. 07. 04.

Recommender Systems and Techniques참고 문헌 7인용 수 3

한 줄 요약

이 논문은 새로운 문서에 대한 평가 수가 적은 경우에도 사용자 선호도 예측을 햖थ기 위해 잠재 사용자 및 문서 그룹을 동시에 모델링하는 Two-Way Latent Grouping Model을 제안한다. Gibbs 샘플링을 활용하여 문서 수준의 군집화를 고려함으로써, 사용자 평가 프로필 모델보다 성능이 뛰어나며, 신규 문서에 대한 추천의 추출기 시나리오에서 일반화 능력과 예측 정확도를 크게 향상시킨다.

ABSTRACT

We introduce a novel latent grouping model for predicting the relevance of a new document to a user. The model assumes a latent group structure for both users and documents. We compared the model against a state-of-the-art method, the User Rating Profile model, where only users have a latent group structure. We estimate both models by Gibbs sampling. The new method predicts relevance more accurately for new documents that have few known ratings. The reason is that generalization over documents then becomes necessary and hence the twoway grouping is profitable.

연구 동기 및 목표

• 희소한 평가 데이터를 가진 새로운 문서에 대한 사용자 선호도 예측 정확도를 향상시키기 위해.
• 새로운 항목에 대한 평가 수가 적은 추천 시스템의 콜드 스타트 문제를 해결하기 위해.
• 단지 사용자 그룹만이 아니라 사용자 및 문서의 잠재 그룹 구조를 동시에 모델링하기 위해.
• 사용자 수준의 군집화 외에도 문서 수준의 군집화를 통합함으로써 일반화 능력을 향상시키기 위해.
• 상위 성능 기준 모델인 User Rating Profile 모델과의 성능 비교를 통해 관련성 예측 성능을 평가하기 위해.

제안 방법

• 모델은 사용자 및 문서 양측에 대해 잠재 그룹 구조를 가정하여 양측의 군집화를 동시에 수행한다.
• 사용자 및 문서의 그룹 소속은 관측된 평가로부터 유추되는 생성적 확률적 프레임워크를 사용한다.
• 사용자 및 문서의 잠재 그룹 할당에 대한 사후 분포를 추정하기 위해 Gibbs 샘플링을 활용한다.
• 사용자의 잠재 그룹과 평가 대상 문서의 잠재 그룹을 함께 고려하여 사용자 선호도를 학습한다.
• 평가의 가능성은 사용자 및 문서의 잠재 그룹 할당에 조건부로 모델링된다.
• 이중 군집화 구조는 평가 수가 적은 새로운 문서에 대한 관련성 예측 시 더 나은 일반화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 잠재 사용자 및 문서 그룹을 동시에 모델링하면 평가 수가 적은 새로운 문서에 대한 예측 정확도를 향상시킬 수 있는가?
• RQ2 사용자 그룹만이 아니라 문서 수준의 군집화를 포함할 경우, 단지 사용자 그룹만을 고려하는 모델과 비교해 성능에 어떤 영향을 미치는가?
• RQ3 새로운 문서의 콜드 스타트 시나리오에서 이중 잠재 군집 모델은 더 나은 일반화 성능을 보이는가?
• RQ4 사용자 및 문서 그룹 구조 중 어느 쪽이 예측 성능에 더 큰 기여를 하는가?
• RQ5 User Rating Profile 모델(단지 사용자 그룹만 모델링)과 비교해 본 모델의 성능은 어떠한가?

주요 결과

• Two-Way Latent Grouping Model은 User Rating Profile 모델에 비해 평가 수가 적은 새로운 문서에 대한 예측 정확도를 크게 향상시킨다.
• 모델의 성능 향상은 특히 문서 수준의 일반화가 필수적인 콜드 스타트 시나리오에서 가장 두드러진다.
• 사용자 및 문서 그룹의 동시 모델링은 양쪽 차원에서의 패턴을 활용함으로써 더 나은 일반화를 가능하게 한다.
• Gibbs 샘플링을 활용함으로써 사용자 및 문서의 잠재 군집 구조에 대한 효과적인 추론이 가능하다.
• 희소한 평가 데이터를 가진 항목의 관련성 예측 시 문서 그룹 구조를 통합하는 것이 유리함을 입증한다.
• 특히 문서당 알려진 평가 수가 적을 경우, 관련성 예측에서 뛰어난 성능을 달성한다.