[논문 리뷰] Exploiting Synergy Between Ontologies and Recommender Systems

Stuart E. Middleton, Harith Alani외 1명|Open Research Online (The Open University)|2002. 04. 08.

Recommender Systems and Techniques참고 문헌 25인용 수 128

한 줄 요약

이 논문은 추천 엔진의 쿨스타트 문제와 온톨로지 개발에서의 사용자 관심도 확보 과제를 해결하기 위해 온톨로지와 추천 시스템을 상호보완적으로 통합하는 방안을 제안한다. 부서 웹 데이터베이스에서 자동으로 추출한 도메인 지식을 활용해 추천을 초기화하고, 사용자 피드백을 통해 온톨로지를 풍부화시킴으로써 추천 정확도와 온톨로지의 완전성을 향상시킨다. 실증 평가 결과, 초기 단계의 추천 품질에서 뚜렷한 성능 향상이 확인되었다.

ABSTRACT

Recommender systems learn about user preferences over time, automatically finding things of similar interest. This reduces the burden of creating explicit queries. Recommender systems do, however, suffer from cold-start problems where no initial information is available early on upon which to base recommendations. Semantic knowledge structures, such as ontologies, can provide valuable domain knowledge and user information. However, acquiring such knowledge and keeping it up to date is not a trivial task and user interests are particularly difficult to acquire and maintain. This paper investigates the synergy between a web-based research paper recommender system and an ontology containing information automatically extracted from departmental databases available on the web. The ontology is used to address the recommender systems cold-start problem. The recommender system addresses the ontology's interest-acquisition problem. An empirical evaluation of this approach is conducted and the performance of the integrated systems measured.

연구 동기 및 목표

• 초기 사용자 이력이 없을 경우 발생하는 추천 시스템의 쿨스타트 문제를 해결하기 위해.
• 세미틱 온톨로지에서 사용자 관심사를 확보하고 유지하는 데 어려움을 극복하기 위해.
• 각각의 시스템이 상대방의 한계를 보완할 수 있는 상호 이점을 탐색하기 위해.
• 실세계 웹 기반 연구 논문 추천 시나리오에서 통합 시스템의 성능을 실증적으로 평가하기 위해.

제안 방법

• 시스템은 부서 웹 데이터베이스에서 자동으로 추출한 데이터를 기반으로 구축된 온톨로지를 활용하여 도메인 지식과 사용자 관심사를 표현한다.
• 콘텐츠 기반 추천 시스템은 사용자 상호작용 데이터가 축적되기 이전에 온톨로지를 활용해 초도 추천을 생성한다.
• 추천 시스템의 사용자 상호작용 로그를 활용해 온톨로지를 정밀하게 다듬고 확장함으로써 정확도와 커버리지가 향상된다.
• 추천 시스템과 온톨로지 간의 피드백 루프를 통해 사용자 선호도의 지속적 학습과 적응이 가능해진다.
• 실세계 컴퓨터 과학 부서의 웹 존재 데이터셋을 사용해 통합 방식을 평가한다.
• 정성적 추론과 공동 필터링 원리를 융합함으로써 추천의 관련성 향상을 도모한다.

실험 결과

연구 질문

• RQ1 기관 웹 데이터에서 유도된 온톨로지가 쿨스타트 상황에서 초도 추천을 효과적으로 지원할 수 있는가?
• RQ2 세미틱 온톨로지의 통합이 콘텐츠 기반 추천 시스템의 성능에 어떤 영향을 미치는가?
• RQ3 추천 시스템의 사용자 상호작용 데이터를 활용해 시간이 지남에 따라 온톨로지를 풍부화하고 유지 관리할 수 있는가?
• RQ4 이러한 상호보완적 상호작용이 고립된 시스템 대비 추천 정확도와 온톨로지 품질에 어떤 영향을 미치는가?
• RQ5 두 시스템 간 피드백 루프는 명시적 사용자 입력의 필요성을 얼마나 줄일 수 있는가?

주요 결과

• 온톨로지 기반 추천 시스템은 쿨스타트 단계에서 베이스라인 콘텐츠 기반 시스템보다 뚜렷이 뛰어난 성능을 보이며, 초기 추천 품질 향상을 입증하였다.
• 추천 시스템의 사용자 피드백을 통해 온톨로지가 점진적으로 풍부화되어 시간이 지남에 따라 커버리지와 관련성 모두 향상되었다.
• 통합 시스템은 명시적 사용자 프로파일에 대한 의존도를 감소시켜 온톨로지 구축과 추천 시스템 양쪽에서의 핵심 한계를 해결하였다.
• 실증 평가 결과, 특히 초기 구현 단계에서 추천 정확도 향상이 명확하게 측정되었다.
• 두 시스템 간의 상호보완적 상호작용은 수동 작업을 줄이고 더 견고하며 자가 개선 가능한 추천 파이프라인을 만들어 냈다.