[논문 리뷰] Improving an Hybrid Literary Book Recommendation System through Author Ranking

Paula Vaz, David Martins de Matos외 2명|arXiv (Cornell University)|2012. 03. 23.

Recommender Systems and Techniques참고 문헌 6인용 수 16

한 줄 요약

이 논문은 항목 기반 협업 필터링(ICF)을 개선하기 위해 저자 기반 추천을 통합한 가중치가 부여된 하이브리드 도서 추천 시스템을 제안한다. 예측된 저자를 확장하여 도서 목록으로 변환하고, 이를 도서 예측과 가중 산술 평균을 사용해 융합함으로써 추천 정확도를 향상시킨다. 특히 저자 영향력을 10%로, 도서 영향력을 90%로 설정할 경우, 도서당 최대 4권의 제한을 두었을 때 리트레크(LitRec) 데이터셋에서 최적의 성능을 달성한다.

ABSTRACT

Literary reading is an important activity for individuals and choosing to read a book can be a long time commitment, making book choice an important task for book lovers and public library users. In this paper we present an hybrid recommendation system to help readers decide which book to read next. We study book and author recommendation in an hybrid recommendation setting and test our approach in the LitRec data set. Our hybrid book recommendation approach purposed combines two item-based collaborative filtering algorithms to predict books and authors that the user will like. Author predictions are expanded in to a book list that is subsequently aggregated with the former list generated through the initial collaborative recommender. Finally, the resulting book list is used to yield the top-n book recommendations. By means of various experiments, we demonstrate that author recommendation can improve overall book recommendation.

연구 동기 및 목표

• 항목 기반 협업 필터링(ICF)이 낮은 데이터의 공공도서관 환경에서 효과적인 도서 추천을 생성할 수 있는지 평가하는 것.
• 저자 선호도를 통합할 경우 전체 도서 추천 성능이 향상되는지 조사하는 것.
• 하이브리드 추천 시스템에서 도서 및 저자 예측 점수 간 최적의 가중치 조합을 결정하는 것.
• 다수의 도서를 출간한 저자에 의한 지배를 방지하고 추천 다양성을 향상시키기 위해 저자당 최대 도서 수를 설정하는 것.
• 리트레크(LitRec) 데이터셋을 활용해 하이브리드 접근 방식을 검증하며, 사용자-도서 상호작용이 제한된 실제 공공도서관 조건을 시뮬레이션하는 것.

제안 방법

• 시스템은 두 가지 ICF 알고리즘을 사용한다: 도서 추천을 위한 ICFB와 저자 추천을 위한 ICFA로, 모두 사용자-항목 상호작용 행렬 기반이다.
• 저자 예측 결과는 각 도서에 저자의 순위를 할당하고, 도서의 인기도(데이터셋 내 빈도)에 따라 가중치를 적용하여 도서 목록으로 확장된다.
• 저자당 최대 4권의 도서를 허용하여 다수의 도서를 출간한 저자에 의한 포화를 방지하며, 예측 품질 평가 결과를 바탕으로 설정된다.
• 두 ICF 구성 요소의 순위를 융합하기 위해 두 가지 집계 함수인 역수 순위 융합(RRF)과 협업 필터링 선호도 융합(CFPA)을 사용한다.
• 최종 추천 점수는 가중 산술 평균(WAM)을 사용해 계산되며, 총 점수는 α × ICF_A + (1−α) × ICF_B로 표현되며, α는 0에서 1 사이의 값을 변화시켜 다양한 가중 조합을 테스트한다.
• 최상위-n 추천 결과는 최종 융합 점수 벡터를 정렬하고 높은 순위의 도서를 선택하여 생성된다.

실험 결과

연구 질문

• RQ1 항목 기반 협업 필터링이 낮은 데이터의 공공도서관 환경에서 신뢰할 수 있는 도서 추천을 생성할 수 있는가?
• RQ2 하이브리드 시스템에서 저자 선호도를 통합할 경우 도서 추천 정확도가 향상되는가?
• RQ3 하이브리드 추천 모델에서 도서 및 저자 예측 점수 간 최적의 가중치 분포는 무엇인가?
• RQ4 저자당 도서 수 제한이 추천 다양성과 성능에 미치는 영향은 어떠한가?
• RQ5 도서 및 저자 예측 점수를 융합할 때, RRF 또는 CFPA 중 어떤 집계 함수가 더 우수한 성능을 내는가?

주요 결과

• 항목 기반 협업 필터링(ICF)만으로는 리트레크(LitRec) 데이터셋에서 성능이 열등하며, 상위 10개 추천 결과에서 첫 번째 관련 도서가 평균적으로 3위 내외에 위치한다.
• 저자 추천을 통합하면 전체 추천 성능이 크게 향상되며, 특히 도서 공존 데이터와 결합할 경우 더욱 두드러진다.
• MRR 평가를 통해 α 값에 따른 분석 결과, 최적의 가중치 조합은 저자 영향력 10%와 도서 영향력 90%로 확인되었다.
• 저자당 최대 4권의 도서를 설정함으로써 다수의 도서를 출간한 저자에 의한 지배를 방지하고 예측 품질을 향상시켰으며, 이 이상의 제한을 초과할 경우 성능이 저하됨을 확인했다.
• RRF-RRF 조합이 다른 집계 함수 조합보다 우수한 성능을 보였지만, 최적의 10%-90% 가중치 분할에서 RRF-RRF와 CFPA-CFPA 조합 간 성능은 유사한 수준이었다.
• 저자 예측 결과를 도서 목록으로 확장하고, 이를 도서 예측과 가중 산술 평균을 사용해 융합할 경우 하이브리드 시스템이 최고의 평균 역순위(MRR) 성능을 달성한다.