[논문 리뷰] Active Preference Elicitation via Adjustable Robust Optimization

Phebe Vayanos, Duncan C. McElfresh외 3명|arXiv (Cornell University)|2020. 03. 04.

Risk and Portfolio Optimization참고 문헌 65인용 수 7

한 줄 요약

이 논문은 추천 시스템에서 불확실성 하에 쿼리 선택과 추천을 통합하는 조정 가능한 로버스트 최적화 프레임워크를 제안한다. 오프라인 및 온라인 설정에 대한 정확한 수식을 제시하며, 합성 데이터와 실세계의 실직자 주거 배정 데이터에서 최신 기술보다 뛰어난 성능을 보인다.

ABSTRACT

We consider the problem faced by a recommender system which seeks to offer a user with unknown preferences an item. Before making a recommendation, the system has the opportunity to elicit the user's preferences by making queries. Each query corresponds to a pairwise comparison between items. We take the point of view of either a risk averse or regret averse recommender system which only possess set-based information on the user utility function. We investigate: a) an offline elicitation setting, where all queries are made at once, and b) an online elicitation setting, where queries are selected sequentially over time. We propose exact robust optimization formulations of these problems which integrate the elicitation and recommendation phases and study the complexity of these problems. For the offline case, where the problem takes the form of a two-stage robust optimization problem with decision-dependent information discovery, we provide an enumeration-based algorithm and also an equivalent reformulation in the form of a mixed-binary linear program which we solve via column-and-constraint generation. For the online setting, where the problem takes the form of a multi-stage robust optimization problem with decision-dependent information discovery, we propose a conservative solution approach. We evaluate the performance of our methods on both synthetic data and real data from the Homeless Management Information System. We simulate elicitation of the preferences of policy-makers in terms of characteristics of housing allocation policies to better match individuals experiencing homelessness to scarce housing resources. Our framework is shown to outperform the state-of-the-art techniques from the literature.

연구 동기 및 목표

• 모르는 선호도를 가진 사용자에게 항목을 추천하는 데 도전하는 것.
• 집합 기반 정보를 사용하여 사용자 유틸리티의 불확실성을 모델링하여 위험 회피 또는 후회 회피 의사결정을 반영하는 것.
• 선호도 추출과 추천을 하나의 로버스트 최적화 프레임워크로 통합하는 것.
• 오프라인(배치) 및 온라인(순차적) 쿼리 선택 설정에 대한 정확한 해법을 개발하는 것.
• 홈리스 관리 정보 시스템에서 수집한 실세계 데이터와 합성 데이터를 기반으로 프레임워크를 평가하는 것.

제안 방법

• 결정에 따라 정보가 발견되는 두 단계의 로버스트 최적화 문제로 오프라인 추출 문제를 수식화한다.
• 열거 기반 알고리즘과 컬럼 앤 컨스트레인트 제너레이션을 사용한 믹스드-바이너리 선형 프로그래밍 재구성 방법을 개발한다.
• 결정에 따라 정보가 발견되는 다단계 로버스트 최적화 문제에 대해 보수적인 해법 접근법을 제안한다.
• 사용자 유틸리티 함수에 대한 지식 부족을 반영하기 위해 집합 기반 불확실성 집합을 사용한다.
• 가장 나쁜 경우의 후회 또는 위험을 최소화하기 위해 쿼리 선택과 추천을 하나의 최적화 모델에 통합한다.
• 정책 수립 시나리오에 적용하여 주거 배정 정책에 대한 선호도를 추출하는 시뮬레이션을 수행한다.

실험 결과

연구 질문

• RQ1 추천을 내리기 전에 사용자 선호도의 불확실성을 최소화하기 위해 추천 시스템이 어떻게 이원 쿼리를 최적 선택할 수 있는가?
• RQ2 사용자 유틸리티의 불확실성 하에서 쿼리 비용과 추천 정확도 사이의 최적 트레이드오프는 무엇인가?
• RQ3 로버스트 최적화는 배치 및 순차적 쿼리 설정 모두에서 능동적 선호도 추출에 어떻게 적용될 수 있는가?
• RQ4 제안된 프레임워크는 실세계 선호도 추출 작업에서 기존 최신 기술보다 뛰어나게 성능을 발휘할 수 있는가?
• RQ5 주택 자원을 실직자에게 배정하는 고위험 의사결정 상황에서 이 프레임워크는 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 프레임워크는 합성 데이터 및 실세계 실험 모두에서 최신 기술보다 뚜렷이 뛰어난 성능을 보였다.
• 오프라인 수식은 믹스드-바이너리 선형 프로그래밍 재구성과 컬럼 앤 컨스트레인트 제너레이션을 통해 정확한 해를 달성했다.
• 온라인 설정은 정보 발견이 포함된 다단계 의사결정을 위한 보수적인 해법 접근법을 통해 다루어졌다.
• 집합 기반 유틸리티 표현을 사용하여 사용자 선호도의 불확실성을 효과적으로 처리했다.
• 홈리스 관리 정보 시스템 데이터에 대한 실증 평가에서 희소한 주거 자원과 개인을 효과적으로 매칭시키는 데 강력한 성능을 보였다.
• 추출과 추천을 하나의 로버스트 최적화 모델에 통합함으로써 불확실성 하에서 의사결정 품질이 향상되었다.