[논문 리뷰] UniWalk: Explainable and Accurate Recommendation for Rating and Network Data

Haekyu Park, Hyunsik Jeon외 3명|arXiv (Cornell University)|2017. 10. 18.

Recommender Systems and Techniques참고 문헌 20인용 수 27

한 줄 요약

UniWalk는 평점과 소셜 네트워크 데이터를 단일 그래프로 통합하여, 무작위 보행과 하이브리드 목적 함수를 활용해 잠재 특징을 학습함으로써 정확하고 설명 가능한 추천을 제공하는 새로운 추천 시스템이다. 이는 최고 수준의 정확도(가장 낮은 RMSE 및 MAE)를 달성하며, 유사한 사용자와 유사한 항목을 통한 이중 설명과 유사성 결정에 대한 메타 설명까지 제공한다.

ABSTRACT

How can we leverage social network data and observed ratings to correctly recommend proper items and provide a persuasive explanation for the recommendations? Many online services provide social networks among users, and it is crucial to utilize social information since recommendation by a friend is more likely to grab attention than the one from a random user. Also, explaining why items are recommended is very important in encouraging the users' actions such as actual purchases. Exploiting both ratings and social graph for recommendation, however, is not trivial because of the heterogeneity of the data. In this paper, we propose UniWalk, an explainable and accurate recommender system that exploits both social network and rating data. UniWalk combines both data into a unified graph, learns latent features of users and items, and recommends items to each user through the features. Importantly, it explains why items are recommended together with the recommendation results. Extensive experiments show that UniWalk provides the best explainability and achieves the state-of-the-art-accuracy.

연구 동기 및 목표

• 이질적인 평점 데이터와 소셜 네트워크 데이터를 융합하여 추천 정확도와 설명 가능성 향상의 과제를 해결한다.
• 기존 방법들이 소셜 데이터를 무시하거나 의미 있는 설명을 제공하지 못하는 한계를 극복한다.
• 사용자 유사성과 항목 유사성에 기반해 왜 특정 항목이 추천되었는지 설명함으로써 설득력 있는 추천을 가능하게 한다.
• 어떤 사용자나 항목이 유사하다고 간주되는지에 대한 이유를 설명하는 메타 설명을 제공함으로써 사용자 신뢰도와 시스템 투명도를 향상시킨다.
• 기존 방법들과 비교해 추천 정확도(RMSE, MAE)와 설명 가능성 측면에서 최고 수준의 성능을 달성한다.

제안 방법

• 사용자, 항목, 평점, 소셜 링크를 통합한 단일 그래프를 구축하며, 간선 가중치는 연관성 강도를 반영한다.
• 단일 그래프에서 절단된 무작위 보행을 수행하여 정량적(평점) 및 정성적(유사성/비유사성) 링크를 샘플링한다.
• 평점에 대한 지도 학습과 유사성/비유사성에 대한 비지도 항목을 조합한 하이브리드 목적 함수를 사용해 사용자 및 항목의 잠재 특징을 학습한다.
• 학습된 특징을 사용해 사용자가 항목에 대해 평가할 값을 예측함으로써 정확한 추천을 가능하게 한다.
• 다음과 같은 방식으로 설명을 생성한다: (1) 추천된 항목을 좋아하는 유사한 선호도를 가진 다른 사용자들, (2) 대상 사용자가 이미 좋아하는 항목들과 유사한 항목들.
• 공유 이웃 또는 임베딩 공간 내 특징의 근접성에 기반해 사용자 간 또는 항목 간 유사성의 근거를 제시함으로써 메타 설명을 제공한다.

실험 결과

연구 질문

• RQ1 통합된 그래프 표현이 평점과 소셜 네트워크 데이터를 효과적으로 융합하여 추천 정확도 향상에 기여할 수 있는가?
• RQ2 추천 시스템은 어떻게 정확한 예측과 동시에 인간이 이해할 수 있는 설명을 제공할 수 있는가?
• RQ3 평점 외의 정성적 유사성 및 비유사성 링크를 통합함으로써 추천 성능과 설명 가능성에 어떤 영향을 미치는가?
• RQ4 기존 최고 수준의 방법들과 비교했을 때 제안된 방법은 정확도와 설명 가능성 측면에서 어떻게 다른가?
• RQ5 평가 지표의 초모수(예: 평점, 유사성, 소셜 링크의 가중치)가 모델 성능과 내구성에 미치는 영향은 어느 정도인가?

주요 결과

• UniWalk는 비교된 모든 방법 중 가장 낮은 RMSE와 MAE를 기록하여 평점 예측에서 최고 수준의 정확도를 입증한다.
• UniWalk는 두 가지 다른 설명 유형(유사한 사용자 기반 및 유사한 항목 기반)을 제공함으로써 최고의 설명 가능성을 확보한다.
• 모델은 특정 사용자나 항목이 왜 유사하다고 간주되는지에 대한 근거를 제시하는 독창적인 메타 설명을 지원함으로써 추천의 설득력을 높인다.
• 모델은 초모수 변화에 대해 강건한 편이며, 특히 소셜 링크 가중치 $ c $에 대해 덜 민감하지만, 비지도 항목 가중치 $ \beta $와 $ \beta $에는 중간 정도의 민감도를 보인다.
• 실세계 데이터셋(예: FilmTrust)을 대상으로 한 광범위한 실험을 통해 UniWalk가 TrustSVD, UCF, ICF, MF 등 기존 방법들을 모두 초월해 정확도와 설명 품질 측면에서 뛰어난 성능을 보였다.
• 학습 과정에서 안정적인 수렴이 관찰되었으며, 반복 과정 동안 RMSE와 MAE가 감소하고 안정화됨으로써 안정적인 최적화가 이루어지고 있음을 시사한다.