[논문 리뷰] A new system-wide diversity measure for recommendations with efficient algorithms

Arda Antikacioglu, Tanvi Bajpai외 1명|arXiv (Cornell University)|2018. 11. 30.

Recommender Systems and Techniques참고 문헌 22인용 수 5

한 줄 요약

이 논문은 이원 그래프 기반의 사용자-아이템 추천 시스템에서 사용자 수준, 아이템 수준, 시스템 수준의 다각도를 동시에 최적화하는 새로운 시스템 전반의 다각도 측정법을 제안한다. 추천을 이원 그래프 상의 부분그래프 선택 문제로 모델링함으로써, 상호 배타적인 카테고리에 대해서는 최소 비용 유량을 이용한 정확한 알고리즘, 겹치는 카테고리에 대해서는 서브모듈라리티 기반의 근사 알고리즘을 제안하며, MovieLens 및 Netflix 데이터셋에서 관련성, 다각도, 매출 지표 모두에서 뛰어난 성능을 보여준다.

ABSTRACT

Recommender systems often operate on item catalogs clustered by genres, and user bases that have natural clusterings into user types by demographic or psychographic attributes. Prior work on system-wide diversity has mainly focused on defining intent-aware metrics among such categories and maximizing relevance of the resulting recommendations, but has not combined the notions of diversity from the two point of views of items and users. In this work, (1) we introduce two new system-wide diversity metrics to simultaneously address the problems of diversifying the categories of items that each user sees, diversifying the types of users that each item is shown, and maintaining high recommendation quality. We model this as a subgraph selection problem on the bipartite graph of candidate recommendations between users and items. (2) In the case of disjoint item categories and user types, we show that the resulting problems can be solved exactly in polynomial time, by a reduction to a minimum cost flow problem. (3) In the case of non-disjoint categories and user types, we prove NP-completeness of the objective and present efficient approximation algorithms using the submodularity of the objective. (4) Finally, we validate the effectiveness of our algorithms on the MovieLens-1m and Netflix datasets, and show that algorithms designed for our objective also perform well on sales diversity metrics, and even some intent-aware diversity metrics. Our experimental results justify the validity of our new composite diversity metrics.

연구 동기 및 목표

• 사용자, 아이템, 시스템 전반의 분포에 걸쳐 다각도를 종합적으로 고려하지 않는 기존 추천 시스템의 격차를 해소한다.
• 사용자에게 추천되는 아이템의 카테고리와 각 아이템이 제공되는 사용자 유형의 다양성을 동시에 최적화하면서도 높은 추천 정확도를 유지한다.
• 사용자 수준, 아이템 수준, 시스템 수준의 다각도를 하나의 복합 목적 함수에 통합하는 통합 프레임워크를 개발한다.
• 상호 배타적 및 겹치는 사용자 및 아이템 카테고리 구조에 대해 이론적 보장과 효율적인 알고리즘을 제공한다.
• 실세계 데이터셋에서 제안된 프레임워크를 검증하여 의도 인식 및 매출 다각도 지표에서 향상된 성능을 보여준다.

제안 방법

• 후보 사용자-아이템 쌍의 이원 그래프 상에서 추천 문제를 부분그래프 선택 작업으로 모델링한다.
• 두 가지 새로운 시스템 전반의 다각도 측정법을 정의한다: 사용자 다각도를 강조하는 TUDiv와 아이템 다각도를 강조하는 TIDiv를 포함하며, 이는 관련성 항목과 결합된다.
• 상호 배타적인 카테고리에 대해서는 문제를 최소 비용 유량 문제로 환원하여 정확한 다항식 시간 해법을 가능하게 한다.
• 겹치는 카테고리에 대해서는 목적 함수의 NP-완전성을 증명하고, 서브모듈라리티 근사 알고리즘을 사용하여 근사 최적 해를 달성한다.
• 두 가지 알고리즘 패러다임을 구현한다: 최소 비용 유량을 이용한 플로우 기반 방법과 서브모듈라 함수 최대화 기반의 그레디 약간 근사 방법.
• 다양도 목적 함수를 재순서 정렬 파ip라인에 통합하며, β 및 μ 파rameter를 사용해 관련성, 사용자 다각도, 아이템 다각도를 균형 잡는다.

실험 결과

연구 질문

• RQ1 어떻게 추천 시스템에서 사용자 수준, 아이템 수준, 시스템 수준의 다각도를 동시에 최적화할 수 있는 통합된 시스템 전반의 다각도 측정법을 설계할 수 있는가?
• RQ2 사용자 및 아이템 카테고리의 상호 배타적 구조와 겹치는 구조에서 제안된 다각도 최적화 문제의 계산 복잡도는 각각 어떻게 되는가?
• RQ3 시스템 전반의 다각도 목적 함수에 대해 효율적인 정확하거나 근사 알고리즘을 개발할 수 있으며, 실질적으로 이들의 성능은 어떻게 비교되는가?
• RQ4 제안된 프레임워크는 실세계 데이터셋에서 관련성뿐만 아니라 다각도 및 매출 다각도 지표까지 얼마나 향상시키는가?
• RQ5 다양한 알고리즘 접근법에서 정확도, 사용자 다각도, 아이템 다각도 간의 상호 보완 관계는 어떻게 나타나는가?

주요 결과

• 플로우 기반 알고리즘은 스튜디오 기반 카테고리로 설정된 MovieLens에서 최고의 정밀도(P@10 = 0.315)와 가장 높은 ERR-IA@10(0.078)를 기록하며, MMR 및 xQuAD를 모두 압도한다.
• 그레디 알고리즘은 연령대 기반 유형을 사용한 MovieLens에서 최고의 TUDiv(0.220)와 TIDiv(0.220)를 기록하여 낮은 정밀도에도 불구하고 뛰어난 의도 인식 다각도를 보여준다.
• 플로우 기반 방법은 스튜디오 기반 카테고리로 설정된 MovieLens에서 최고의 종합 다각도(G@10 = 0.133)와 A@10(0.690)를 기록하며, 모든 베이스라인을 능가한다.
• 그레디 알고리즘은 플로우 기반 방법(20.3초)보다 훨씬 빠른 실행 속도(5.83초)를 기록하여 정확도는 약간 낮지만 더 뛰어난 확장성을 확보한다.
• 플로우 기반 및 그레디 알고리즘 모두 Binomial Diversity(BD)에서 근사 최적 성능을 달성하여 목적 함수의 강건성을 확인한다.
• 제안된 프레임워크는 의도 인식 및 매출 다각도 지표를 명시적으로 최적화하지 않았음에도 불구하고 이들 지표를 향상시켜 통합 설계의 타당성을 입증한다.