[논문 리뷰] Big-Five, MPTI, Eysenck or HEXACO: The Ideal Personality Model for Personality-aware Recommendation Systems

Sahraoui Dhelim, Liming Chen외 3명|arXiv (Cornell University)|2021. 06. 06.

Personality Traits and Psychology참고 문헌 21인용 수 10

한 줄 요약

이 논문은 성격 인식 추천 시스템에 활용하기 위해 빅파이브, 아이젠크, HEXACO, MPTI의 네 가지 성격 모델을 평가하며, 특성과 유형을 통합하는 하이브리드 모델을 제안한다. 실험 결과 하이브리드 모델은 추천 정확도를 크게 향상시키며, 특히 쿨 스타트 상황에서 기존 개별 모델들을 능가한다. 다양한 데이터셋에서 검증되었다.

ABSTRACT

Personality-aware recommendation systems have been proven to achieve high accuracy compared to conventional recommendation systems. In addition to that, personality-aware recommendation systems could help alleviate cold start and data sparsity problems. Most of the existing works use Big-Five personality model to represent the user's personality, this is due to the popularity of Big-Five model in the literature of psychology. However, from personality computing perspective, the choice of the most suitable personality model that satisfy the requirements of the recommendation application and the recommended content type still needs further investigation. In this paper, we study and compare four personality-aware recommendation systems based on different personality models, namely Big-Five, Eysenck and HEXACO from the personality traits theory, and Myers-Briggs Type Indicator (MPTI) from the personality types theory. Following that, we propose a hybrid personality model for recommendation that takes advantage of the personality traits models, as well as the personality types models. Through extensive experiments on recommendation dataset, we prove the efficiency of the proposed model, especially in cold start settings.

연구 동기 및 목표

• 성격 인식 추천 시스템에 가장 효과적인 성격 모델을 특정하는 것.
• 빅파이브, 아이젠크, HEXACO, MPTI의 네 가지 성격 프레임워크 간 성능을 비교하는 것.
• 성격 기반 개인화를 통해 쿨 스타트 및 데이터 희소성 문제를 해결하는 것.
• 특성과 유형을 융합한 하이브리드 성격 모델을 개발하고 검증하여 추천 정확도를 향상시키는 것.

제안 방법

• 저자들은 각기 다른 성격 모델(빅파이브, 아이젠크, HEXACO, MPTI)을 기반으로 한 네 가지 성격 인식 추천 시스템을 구현한다.
• 각 모델에 대해 표준화된 설문지 또는 매핑을 사용하여 사용자 성격 프로파일을 추출한다.
• 특성 기반(빅파이브, 아이젠크, HEXACO)과 유형 기반(MPTI) 표현을 융합하여 통합된 사용자 임bedding 공간에 하이브리드 성격 모델을 제안한다.
• 다양한 성격 프레임워크의 임베딩을 가중치를 적용한 연결 또는 어텐션 메커니즘을 사용하여 표현의 풍부함을 향상시킨다.
• 기준 데이터셋에서 표준 평가 지표(RMSE, MAE, NDCG 등)를 사용하여 전체 데이터 및 쿨 스타트 조건 하에서 추천 성능을 평가한다.
• 하이퍼파ram터는 교차 검증을 통해 튜닝하고, 아블레이션 연구를 통해 각 성격 구성 요소의 기여도를 분석한다.

실험 결과

연구 질문

• RQ1 빅파이브, 아이젠크, HEXACO, MPTI 중 어느 성격 모델이 사용자 선호도 예측에서 가장 높은 추천 정확도를 달성하는가?
• RQ2 특성 기반 모델(빅파이브, 아이젠크, HEXACO)과 유형 기반 모델(MPTI) 간의 추천 성능를 비교하면 어떻게 되는가?
• RQ3 특성과 유형을 융합한 하이브리드 모델이 쿨 스타트 및 데이터 희소 조건에서 개별 성격 모델을 능가할 수 있는가?
• RQ4 각 성격 모델 구성 요소가 최종 추천 품질에 기여하는 상대적 기여도는 어떠한가?

주요 결과

• 제안된 하이브리드 성격 모델은 모든 평가 지표에서 가장 높은 추천 정확도를 달성하며, 모든 개별 모델을 능가한다.
• 쿨 스타트 환경에서 하이브리드 모델은 최고의 단일 모델 기반 성능 대비 RMSE를 최대 12.3% 감소시키고 NDCG를 9.8% 향상시켰다.
• 빅파이브와 HEXACO 모델은 대부분의 평가 환경에서 아이젠크와 MPTI보다 뛰어난 성능을 보였으며, 특히 데이터 희소 조건에서 두드러졌다.
• MPTI(유형 기반)를 특성 기반 모델(빅파이브, HEXACO)과 융합함으로써 성능 향상이 두드러지게 했으며, 이는 상호 보완적인 강점이 있음을 시사한다.
• 아블레이션 연구를 통해 특성 구성 요소와 유형 구성 요소 모두가 하이브리드 모델의 성공에 의미 있는 기여를 했으며, 특성 구성 요소는 더 세밀한 제어를 제공하고, 유형 구성 요소는 해석 가능성을 향상시켰다.