[논문 리뷰] A Survey on Cross-domain Recommendation: Taxonomies, Methods, and Future Directions

Tianzi Zang, Yanmin Zhu외 3명|arXiv (Cornell University)|2021. 08. 07.

Recommender Systems and Techniques인용 수 4

한 줄 요약

이 종합적이고 체계적인 분석은 교차 도메인 추천(CDR)에 대해 제시하며, CDR 시나리오와 과제를 정리하기 위해 이중 수준의 분류 체계를 도입한다. 기존의 방법과 딥 러닝 기반 방법을 검토하고, 공통적으로 사용되는 데이터셋을 평가하며, 핵심 과제와 향후 연구 방향을 규명하여, 데이터 희소성과 콜드 스타트 문제를 해결하는 데 있어 연구자들에게 기초 자료를 제공한다.

ABSTRACT

Traditional recommendation systems are faced with two long-standing obstacles, namely, data sparsity and cold-start problems, which promote the emergence and development of Cross-Domain Recommendation (CDR). The core idea of CDR is to leverage information collected from other domains to alleviate the two problems in one domain. Over the last decade, many efforts have been engaged for cross-domain recommendation. Recently, with the development of deep learning and neural networks, a large number of methods have emerged. However, there is a limited number of systematic surveys on CDR, especially regarding the latest proposed methods as well as the recommendation scenarios and recommendation tasks they address. In this survey paper, we first proposed a two-level taxonomy of cross-domain recommendation which classifies different recommendation scenarios and recommendation tasks. We then introduce and summarize existing cross-domain recommendation approaches under different recommendation scenarios in a structured manner. We also organize datasets commonly used. We conclude this survey by providing several potential research directions about this field.

연구 동기 및 목표

• 기존 추천 시스템에서 지속적인 데이터 희소성과 콜드 스타트 문제를 해결하기 위해 도메인 간 지식 전이를 가능하게 하기 위해.
• 그러나 점점 중요성이 커지고 있음에도 불구하고 여전히 다루어지지 않은 상태인 교차 도메인 추천(CDR) 연구에 대해 체계적이고 종합적인 개요를 제공하기 위해.
• 기존 CDR 방법을 새로운 이중 수준의 분류 체계에 따라 정리하고 분류하기 위해. 이는 추천 시나리오와 과제를 구분한다.
• CDR 연구에서 널리 사용되는 데이터셋을 평가하고 요약하기 위해. 이는 단일 도메인 및 다중 도메인 데이터셋을 포함한다.
• CDR 분야에서의 열린 과제와 유망한 향후 연구 방향을 규명하고 논의하기 위해. 특히 설명 가능성, 전이 학습, 모델 일반화 측면에서 중점적으로 다룬다.

제안 방법

• 이중 수준의 분류 체계를 제안한다: 첫 번째 수준은 사용자 및 아이템의 겹침 여부에 따라 CDR를 시나리오 기반으로 분류하며(예: 사용자 겹침, 아이템 겹침, 겹침 없음), 두 번째 수준은 대상 도메인과 추천 목표에 따라 과제를 분류한다.
• 기존 기계 학습 방법(예: 행렬 분해, 인자 분석 기반 모델, 공통 클러스터링, 잠재 의미 분석 등)을 검토하고 CDR에 대해 분류한다.
• 딥 러닝 기반 CDR 방법을 분석하며, 자동에코더, 그래프 신경망, 어텐션 메커니즘을 포함하여 복잡한 사용자 선호도와 도메인 간 지식 전이를 모델링할 수 있는 능력을 강조한다.
• 겹치는 사용자나 아이템를 다리로 활용하는 전이 전략을 검토하고, 겹침이 없는 경우 보조 정보(예: 리뷰, 태그, 사용자 프로필)를 활용하는 대안적 접근 방식도 고려한다.
• CDR 연구에서 일반적으로 사용되는 벤치마크 데이터셋을 소개하고 평가한다. 대표적으로 Movielen, Amazon, Epinions을 포함하며, 다중 도메인 및 다중 소스 특성을 강조한다.
• 모델 설명 가능성 기법으로서 어텐션 시각화, 잠재 공간 해석을 위한 T-SNE, 지식 그래프 기반 추론을 논의하여 교차 도메인 추천의 투명성을 향상시킨다.

실험 결과

연구 질문

• RQ1 교차 도메인 추천은 기존 추천 시스템에서 데이터 희소성과 콜드 스타트 문제를 효과적으로 완화할 수 있는가?
• RQ2 다양한 교차 도메인 추천 시나리오(예: 사용자 겹침 대비 겹침 없음) 간의 핵심 구조적 및 기능적 차이는 무엇이며, 이는 방법 설계에 어떻게 영향을 미치는가?
• RQ3 특히 겹치는 사용자나 아이템가 존재하지 않을 경우, 사용자 선호도와 아이템 표현을 도메인 간 효과적으로 전이하는 데 가장 효과적인 기법은 무엇인가?
• RQ4 딥 러닝 모델은 기존 기계 학습 접근 방식에 비해 CDR에서 성능을 어떻게 향상시키며, 그 한계는 무엇인가?
• RQ5 특히 다중 도메인 및 이질적인 환경에서, 교차 도메인 추천 모델의 설명 가능성과 신뢰성을 높이기 위한 열린 과제는 무엇인가?

주요 결과

• 이중 수준의 분류 체계는 도메인 간 상호작용 패턴(시나리오)과 추천 목표(과제)를 구분함으로써 CDR 연구의 다양한 환경을 효과적으로 정리하며, 기존 연구의 명확한 분류를 가능하게 한다.
• 특히 어텐션 메커니즘과 그래프 신경망을 활용한 딥 러닝 기반 방법은 비선형적이고 복잡한 사용자 선호도 전이를 처리하는 데 있어 기존 방법에 비해 뚜렷한 성능 향상을 보인다.
• Movielen, Amazon, Epinions과 같은 데이터셋은 CDR 연구에서 널리 사용되지만, 다중 도메인 특성과 다양한 스케일로 인해 모델의 일반화 능력과 전이 가능성 평가에 주의 깊은 고려가 필요하다.
• CDR의 설명 가능성은 아직 개발이 부족한 영역이며, 교차 도메인 텍스트 데이터의 언어적 및 스타일적 차이로 인해 생성된 설명의 가독성과 일관성이 손상될 수 있다.
• 보조 정보(예: 리뷰, 태그, 사용자 프로필)의 통합은 겹치는 사용자나 아이템가 존재하지 않는 경우에도 효과적인 지식 전이를 가능하게 하며, 특히 딥 리presentation 학습과 조합할 경우 더욱 효과적이다.
• 다양한 기술적 진전에도 불구하고, 교차 도메인 모델은 여전히 도메인 이동과 분포 차이 문제를 해결하기 어려운 상황이며, 이는 더 강력한 도메인 불변성 및 분리된 표현 학습 기법 개발의 필요성을 시사한다.