[논문 리뷰] Who are Like-minded: Mining User Interest Similarity in Online Social Networks

Chunfeng Yang, Yipeng Zhou외 1명|arXiv (Cornell University)|2016. 03. 07.

Recommender Systems and Techniques인용 수 4

한 줄 요약

이 논문은 인구통계학적 및 사회적 특징을 사용하여 온라인 소셜 네트워크에서 사용자 관심 유사도를 예측하기 위해 태그 기반 사용자 프로필링 기법인 인기 태그 프로필링(PTP)과 대표성 태그 프로필링(RTP)을 제안한다. 기존의 영상 기반 및 협업 필터링 방법보다 뛰어난 성능을 보이며, 특히 비활성 또는 신규 사용자에게서도 뛰어난 성능을 발휘한다. 새로운 하이브리드 트리 인코딩 선형 모델은 관심 유사도 예측에서 뛰어난 성능을 발휘하며, 영상 추천의 정확도와 다양성을 향상시킨다.

ABSTRACT

In this paper, we mine and learn to predict how similar a pair of users' interests towards videos are, based on demographic (age, gender and location) and social (friendship, interaction and group membership) information of these users. We use the video access patterns of active users as ground truth (a form of benchmark). We adopt tag-based user profiling to establish this ground truth, and justify why it is used instead of video-based methods, or many latent topic models such as LDA and Collaborative Filtering approaches. We then show the effectiveness of the different demographic and social features, and their combinations and derivatives, in predicting user interest similarity, based on different machine-learning methods for combining multiple features. We propose a hybrid tree-encoded linear model for combining the features, and show that it out-performs other linear and treebased models. Our methods can be used to predict user interest similarity when the ground-truth is not available, e.g. for new users, or inactive users whose interests may have changed from old access data, and is useful for video recommendation. Our study is based on a rich dataset from Tencent, a popular service provider of social networks, video services, and various other services in China.

연구 동기 및 목표

• 영상 소비 데이터가 가용하지 않은 경우(예: 신규 또는 비활성 사용자) 사용자 관심 유사도를 예측하는 데 도전하는 것.
• 연령, 성별, 거주지 등 인구통계학적 특징과 친구 관계, 그룹 소속, 상호작용 등 사회적 특징이 관심 유사도 예측에 얼마나 효과적인지 조사하는 것.
• 영상 기반 및 잠재 주제 모델링 기법(예: LDA 및 협업 필터링)의 한계를 극복할 수 있는 태그 기반 사용자 프로필링 방법을 개발하고 평가하는 것.
• 결정 트리 기반 및 선형 모델을 융합한 하이브리드 기계학습 모델을 설계하여 사용자 관심 유사도 예측 성능을 향상시키는 것.
• 예측된 유사도가 실세계 영상 추천 시스템에서 실용적으로 얼마나 유용한지 검증하는 것.

제안 방법

• 인기 태그 프로필링(PTP)과 대표성 태그 프로필링(RTP)이라는 두 가지 태그 기반 사용자 프로필링 방법을 제안한다. PTP는 사용자 간 공통 태그의 빈도를 기반으로 계산하고, RTP는 태그의 대표성을 가중치로 적용한다.
• 활성 사용자에 대한 영상 접근 패턴을 기준으로 하며, 편집자로부터 제공된 태그 데이터를 포크소노미 기반 분류 체계로 활용한다.
• 선형 모델, 트리 기반 모델, 그리고 새로운 하이브리드 트리 인코딩 선형 모델을 포함한 다수의 기계학습 모델을 사용하여 인구통계학적 및 사회적 특징을 기반으로 관심 유사도를 예측한다.
• 하이브리드 모델은 결정 트리와 선형 회귀를 융합하여 적응형 특징 가중치를 제공하고 다양한 사용자 프로필에 걸쳐 일반화 성능을 향상시킨다.
• 다양한 특징 조합과 모델 간의 예측 성능를 비교하기 위한 체계적인 평가 프레임워크를 구축한다.
• 영상 추천 파이프라인에 본 방법을 적용하여 영상 기반 프로필링(VBP)과 같은 기준 모델과의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 영상 소비 데이터가 누락되었을 때 인구통계학적 및 사회적 특징이 사용자 관심 유사도 예측에 얼마나 효과적인가?
• RQ2 영상 기반 또는 잠재 주제 모델링 방법과 비교했을 때 PTP와 RTP는 관심 유사도 예측의 정확도와 다양성 측면에서 어떻게 다른가?
• RQ3 하이브리드 트리 인코딩 선형 모델은 표준 선형 모델 및 트리 기반 모델보다 사용자 관심 유사도 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ4 예측된 관심 유사도가 영상 추천 성능 향상에 기여하는 정도는 어떠한가? 정확도 및 다양성 측면에서 평가한다.
• RQ5 사용자의 현재 관심사와 과거 또는 평균 사용자 관심사 간의 유사도는 인구통계학적 및 사회적 특징과 얼마나 관련이 있는가?

주요 결과

• 하이브리드 트리 인코딩 선형 모델은 다른 선형 및 트리 기반 모델보다 사용자 관심 유사도 예측에서 뚜렷한 우월성을 보이며, 최고의 AUC 및 F1 점수를 기록한다.
• PTP 기반 프로필링은 RTP보다 더 높은 예측 정확도(AUC 최대 0.950)를 달성하지만, RTP는 장기적 관심사(롱테일)를 더 잘 포착하여 더 다양한 추천을 제공한다.
• 다양한 사용자 그룹에서 AUC는 0.930~0.942를 기록하며, F1 점수는 0.883~0.894로 나타나 강력한 일반화 성능를 입증한다.
• 친구 관계, 그룹 소속, 상호작용 이력 등의 사회적 특징은 특히 인구통계학적 특징과 조합되었을 때 관심 유사도와 강한 상관관계를 보인다.
• 과거 행동과 평균 사용자 관심사와의 유사도는 소비 데이터가 희박하거나 오래된 사용자에게서 특히 유용한 예측 변수로 기능한다.
• 영상 추천에 적용했을 때, 태그 기반 모델(특히 RTP)은 영상 기반 프로필링(VBP)보다 더 다양한 추천을 제공하여 극소수 콘텐츠의 발견을 향상시킨다.