[논문 리뷰] Using Contextual Information as Virtual Items on Top-N Recommender Systems

Marcos Aurélio Domingues, Alí­pio Jorge외 1명|arXiv (Cornell University)|2009. 01. 01.

Recommender Systems and Techniques참고 문헌 14인용 수 16

한 줄 요약

이 논문은 기존의 협업 필터링 및 연관 규칙 알고리즘에 통합할 수 있도록 시간, 위치, 음악 장르와 같은 맥락적 속성을 가상의 아이템으로 간주하는 DaVI(Dimensions as Virtual Items)를 제안한다. 기존 알고리즘의 핵심을 수정하지 않고 맥락 데이터를 직접 추천 모델에 통합함으로써, 특히 밴드나 장르와 같은 풍부한 맥락 차원이 존재할 경우 예측 정확도를 향상시키며, 기존의 사용자-아이템 모델 대비 F1 점수 최대 34% 향상을 기록한다.

ABSTRACT

Traditionally, recommender systems for the Web deal with applications that have two dimensions, users and items. Based on access logs that relate these dimensions, a recommendation model can be built and used to identify a set of N items that will be of interest to a certain user. In this paper we propose a method to complement the information in the access logs with contextual information without changing the recommendation algorithm. The method consists in representing context as virtual items. We empirically test this method with two top-N recommender systems, an item-based collaborative filtering technique and association rules, on three data sets. The results show that our method is able to take advantage of the context (new dimensions) when it is informative.

연구 동기 및 목표

• 기존 추천 알고리즘을 수정하지 않고 맥락 정보를 통합함으로써 Top-N 추천 시스템의 정확도를 향상시키는 것.
• 시간, 위치, 음악 장르와 같은 맥락 차원이 추천 성능 향상에 효과적으로 활용될 수 있는지 조사하는 것.
• 아이템 기반 협업 필터링 및 연관 규칙 기반 추천 시스템에서 맥락을 가상의 아이템으로 표현하는 것이 얼마나 효과적인지 평가하는 것.
• 다차원 맥락 환경에서 기존의 맥락 기반 추천 접근 방식인 Combined Reduction과 DaVI를 비교하는 것.

제안 방법

• 사용자-아이템 상호작용 행렬에 각 맥락적 속성(예: 시간, 요일, 장르)을 가상의 아이템으로 표현한다.
• 기존 알고리즘의 구조를 유지하면서 맥락 차원을 추가적인 아이템으로 간주하여 추천 모델에 통합한다.
• DaVI 방법을 두 가지 추천 기법에 적용한다: 아이템 기반 협업 필터링(코사인 유사도 사용) 및 연관 규칙 탐색(최소 지지도 및 신뢰도 기준 설정).
• 최적의 맥락 차원 조합을 도출하기 위해 정방향 선택 및 전체 조합 전략을 사용한다.
• 기본 모델(사용자-아이템 전용)과 맥락 기반 세션 분할을 적용한 수정된 Combined Reduction 방법과 DaVI를 비교한다.
• 세 개의 실세계 데이터셋인 Listener, Playlist, Entree 샌프란시스코 레스토랑 데이터에서 F1 측정치를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 맥락적 속성을 가상의 아이템으로 간주하는 것이 Top-N 추천 시스템의 예측 정확도를 향상시킬 수 있는가?
• RQ2 다양한 유형의 맥락 차원(예: 로그에서 추론된 것 vs. CMS에서 추출된 것)에 따라 DaVI의 성능는 어떻게 달라지는가?
• RQ3 DaVI를 통해 다수의 맥락 차원을 조합하면 개별 차원이나 기본 모델 대비 성능이 뛰어나게 되는가?
• RQ4 F1 점수와 확장성 측면에서 DaVI는 Combined Reduction 접근 방식과 어떻게 비교되는가?
• RQ5 어떤 맥락 차원이 추천 정확도 향상에 가장 큰 기여를 하는가, 그리고 어떤 조건에서 그러한 기여가 이루어지는가?

주요 결과

• Listener 데이터셋에서 아이템 기반 협업 필터링을 사용할 경우 '밴드' 차원을 활용해 DaVI가 F1 점수를 최대 34% 향상시켰다.
• Playlist 데이터셋에서는 '밴드' 차원을 활용해 DaVI가 F1 점수를 24% 향상시켜 풍부한 맥락 데이터에서 뛰어난 성능을 보였다.
• Entree 데이터셋에서는 '의도' 차원을 사용해 F1 점수 향상이 5%에 그쳐, 정보가 적은 맥락은 더 작은 향상 효과를 보였다.
• Entree 데이터셋에서는 연관 규칙 기반 모델이 아이템 기반 CF보다 성능이 뛰어나, '의도' 차원을 사용해 최대 F1 점수 0.341을 기록했다.
• 정방향 선택 및 모든 차원을 사용한 DaVI는 경쟁력 있는 성능을 보였으며, 최고의 결과는 종종 개별 '최적의 맥락' 차원 접근 방식과 동등하거나 이를 초월했다.
• 일부 경우에서 Combined Reduction 기본 모델이 DaVI를 능가했으며, 특히 연관 규칙 기반 모델에서 그러한 경향이 두드러져 모델 복잡도와 맥락 통합 방식 간의 상충 관계가 존재함을 시사한다.