[논문 리뷰] Hybrid Recommender System Based on Personal Behavior Mining

Zhiyuan Fang, Lingqi Zhang외 1명|arXiv (Cornell University)|2016. 07. 10.

Recommender Systems and Techniques참고 문헌 14인용 수 6

한 줄 요약

이 논문은 탈식별 처리된 모바일 거래 데이터에서 순차적 패턴 마이닝을 통합한 전통적인 협업 필터링과 융합된 하이브리드 추천 시스템을 제안한다. 이는 사용자의 결제 행동을 실시간으로 동적으로 예측한다. 사용자 거래 이력에서 발견된 빈번한 순차적 패턴을 활용함으로써, 행렬 분해나 아이템 기반 필터링과 같은 정적 모델보다 더 높은 정밀도를 달성하는 동적 개인화 추천을 향상시킨다.

ABSTRACT

Recommender systems are mostly well known for their applications in e-commerce sites and are mostly static models. Classical personalized recommender algorithm includes item-based collaborative filtering method applied in Amazon, matrix factorization based collaborative filtering algorithm from Netflix, etc. In this article, we hope to combine traditional model with behavior pattern extraction method. We use desensitized mobile transaction record provided by T-mall, Alibaba to build a hybrid dynamic recommender system. The sequential pattern mining aims to find frequent sequential pattern in sequence database and is applied in this hybrid model to predict customers' payment behavior thus contributing to the accuracy of the model.

연구 동기 및 목표

• 정적 협업 필터링 모델을 넘어서는 동적 추천 시스템을 개발하는 것.
• 기존 추천 시스템이 진화하는 사용자 행동 패턴을 포착하는 데에 한계가 있음을 해결하는 것.
• 실제 사용자 행동 데이터에서 순차적 거래 패턴을 마이닝하여 추천 정확도를 향상시키는 것.
• 행동 패턴 추출을 고전적 협업 필터링 기법과 융합하여 하이브리드 성능 향상을 이루는 것.

제안 방법

• 행동 패턴 마이닝을 위한 입력으로 탈식별 처리된 T-mall, 알리바바의 모바일 거래 기록을 사용한다.
• 시간에 따라 사용자 거래의 빈번한 순차적 패턴을 식별하기 위해 순차적 패턴 마이닝을 적용한다.
• 발견된 순차적 패턴을 활용해 향후 사용자 결제 행동을 예측하고 추천에 활용한다.
• 이러한 동적 행동 예측과 고전적 협업 필터링(예: 아이템 기반 또는 행렬 분해)을 융합하여 정확도를 향상시킨 하이브리드 모델을 구성한다.
• 실세계 거래 데이터를 기반으로 프레임워크를 훈련하고 평가하여 동적 추천 시나리오에서의 성능을 평가한다.
• 모델은 확장 가능하고 프라이버시를 보존하도록 설계되어, 익명화된 데이터를 사용해 사용자 기밀을 유지한다.

실험 결과

연구 질문

• RQ1 사용자 거래 이력의 순차적 패턴은 어떻게 동적 추천 정확도를 향상시키는가?
• RQ2 행동 패턴 마이닝을 통합함으로써 기존 협업 필터링 모델 대비 성능 향상은 어느 정도 이루어지는가?
• RQ3 빈번한 순차적 패턴은 실제 전자상거래 환경에서 향후 사용자 결제 행동을 효과적으로 예측할 수 있는가?
• RQ4 하이브리드 접근 방식은 정밀도와 적응 가능성 측면에서 정적 추천 시스템과 비교해 어떻게 다른가?

주요 결과

• 시간이 지남에 따라 동적 행동 시퀀스를 통합함으로써 하이브리드 모델이 추천 정확도를 크게 향상시킨다.
• 순차적 패턴 마이닝은 실제 거래 데이터에서 의미 있는 사용자 행동 추세를 성공적으로 식별한다.
• 행동 마이닝과 협업 필터링의 융합은 더 개인화되고 시의적절한 추천을 가능하게 한다.
• 아이템 기반 필터링이나 행렬 분해만을 사용하는 정적 모델보다 모델이 뛰어난 성능을 보인다.
• 탈식별 처리된 데이터를 사용함으로써 사용자 프라이버시를 유지하면서도 고품질의 패턴 발견이 가능하다.
• 시스템은 대규모 전자상거래 플랫폼에서 실시간 적용 가능성이 높은 잠재력을 보인다.