[논문 리뷰] Usage-based vs. Citation-based Methods for Recommending Scholarly Research Articles

André Vellino|arXiv (Cornell University)|2013. 03. 28.

Recommender Systems and Techniques참고 문헌 15인용 수 11

한 줄 요약

이 연구는 사용자 기반(bX 시스템)과 인용 기반(Sarkanto) 추천 시스템을 비교하여, 시드 기사와 추천 기사 간의 의미적 유사도를 평가한다. 전체 텍스트 키워드로부터 유도된 저널 수준의 의미 벡터를 사용하여, 인용 기반 추천이 사용자 기반 추천보다 더 높은 의미적 다양성을 보이며, 두 방법 간에 추천 커버리지에서 상호 보완적인 관계에 있음을 발견한다.

ABSTRACT

There are two principal data sources for collaborative filtering recommenders in scholarly digital libraries: usage data obtained from harvesting a large, distributed collection of Open URL web logs and citation data obtained from the journal articles. This study explores the characteristics of recommendations generated by implementations of these two methods: the 'bX' system by ExLibris and an experimental citation-based recommender, Sarkanto. Recommendations from each system were compared according to their semantic similarity to the seed article that was used to generate them. Since the full text of the articles was not available for all the recommendations in both systems, the semantic similarity between the seed article and the recommended articles was deemed to be the semantic distance between the journals in which the articles were published. The semantic distance between journals was computed from the "semantic vectors" distance between all the terms in the full-text of the available articles in that journal and this study shows that citation-based recommendations are more semantically diverse than usage-based ones. These recommenders are complementary since most of the time, when one recommender produces recommendations the other does not.

연구 동기 및 목표

• 사용자 기반 및 인용 기반 방법이 학술 디지털 도서관에서 생성하는 추천의 의미적 다양성을 평가하고 비교하기.
• 각 방법이 학술 기사 간 의미적 관계를 얼마나 효과적으로 포착하는지 조사하기.
• 사용자 기반 및 인용 기반 추천 시스템이 실제로 어떻게 보완적인가를 규명하기.
• 전체 텍스트 데이터가 이용 불가능할 경우, 저널 수준의 의미 벡터를 사용하여 시드 기사와 추천 기사 간의 의미적 유사도를 평가하기.

제안 방법

• 사용자 상호작용를 기록한 Open URL 웹 로그에서 유도된 사용자 기반 추천을 위해 bX 시스템을 사용하였다.
• 학술 저널의 인용 데이터를 사용하여 인용 기반 추천 시스템(Sarkanto)을 구현하였다.
• 각 저널의 기사에 포함된 전체 텍스트 키워드로부터 유도된 '의미 벡터'를 사용하여 저널 간 의미 거리를 계산하였다.
• 모든 추천에 대해 전체 텍스트 접근이 불가능한 상황에서, 저널 간 의미 거리를 의미적 유사도의 대체 지표로 간주하였다.
• 시드 기사의 저널과 추천 기사의 저널 간 의미 유사도(거리)를 비교하여 추천 품질을 측정하였다.
• 추천 기사의 중복성을 분석하여 두 시스템 간의 보완성을 평가하였다.

실험 결과

연구 질문

• RQ1 사용자 기반 및 인용 기반 추천 시스템은 추천의 의미적 다양성 측면에서 어떻게 다를까?
• RQ2 사용자 기반 및 인용 기반 추천 시스템은 어느 정도의 기사 추천에서 중복이 발생하는가?
• RQ3 전체 텍스트가 이용 불가능할 경우, 저널 수준의 의미 벡터가 학술 기사 간 의미적 유사도를 신뢰할 수 있는 대체 지표로 활용될 수 있는가?
• RQ4 시드 기사에 비해 인용 기반 추천은 사용자 기반 추천보다 의미적으로 얼마나 가까운가?

주요 결과

• 인용 기반 추천은 사용자 기반 추천보다 유의미하게 더 높은 의미적 다양성을 보였다.
• 저널 간 의미 거리는 전체 텍스트 접근이 불가능한 상황에서도 기사 간 의미적 유사도를 신뢰할 수 있는 대체 지표로 기능하였으며, 타당한 비교가 가능했다.
• 사용자 기반 및 인용 기반 추천 시스템은 대부분의 추천이 중복되지 않아 강한 보완성을 보였다.
• 평균적으로 인용 기반 추천은 사용자 기반 추천보다 시드 기사의 저널과 의미적으로 더 멀리 떨어져 있었으며, 이는 더 넓은 관련 주제 탐색을 의미한다.
• 이 연구는 인용 기반 시스템이 의미적으로 다양하면서도 관련성이 높은 학술 기사를 더 효과적으로 추천할 수 있음을 확인하였다.