[논문 리뷰] Interactive Movie Recommendation Through Latent Semantic Analysis and Storytelling

Kodzo Wegba, Aidong Lu외 2명|arXiv (Cornell University)|2017. 01. 01.

Data Visualization and Analytics참고 문헌 34인용 수 5

한 줄 요약

이 논문은 사용자 참여도와 개인화를 향상시키기 위해 잠재의미분석( LSM )과 서사 기반 기법을 융합한 상호작용형 영화 추천 시스템을 제안한다. 사용자 평점 데이터를 2차원 의미 공간에 투영함으로써 선호도를 시각화하고, 명시적인 사용자 피드백에 따라 동적으로 변화하는 서사 중심의 추천을 생성한다. 이는 온라인 추천 시스템의 해석 가능성과 상호작용성을 크게 향상시킨다.

ABSTRACT

Recommendation has become one of the most important components of online services for improving sale records, however visualization work for online recommendation is still very limited. This paper presents an interactive recommendation approach with the following two components. First, rating records are the most widely used data for online recommendation, but they are often processed in high-dimensional spaces that can not be easily understood or interacted with. We propose a Latent Semantic Model (LSM) that captures the statistical features of semantic concepts on 2D domains and abstracts user preferences for personal recommendation. Second, we propose an interactive recommendation approach through a storytelling mechanism for promoting the communication between the user and the recommendation system. Our approach emphasizes interactivity, explicit user input, and semantic information convey; thus it can be used by general users without any knowledge of recommendation or visualization algorithms. We validate our model with data statistics and demonstrate our approach with case studies from the MovieLens100K dataset. Our approaches of latent semantic analysis and interactive recommendation can also be extended to other network-based visualization applications, including various online recommendation systems.

연구 동기 및 목표

• 기존 온라인 추천 시스템에서 효과적이고 사용자 友好的인 상호작용 메커니즘이 부족한 문제를 해결하기 위해.
• 숨겨진 추천 논리와 영화 간 의미 관계를 명시적이고 상호작용 가능한 방식으로 표현함으로써 사용자 만족도를 향상시키기 위해.
• 기술적 지식 없이도 일반 사용자가 직관적인 의미 수준의 입력을 통해 추천을 능동적으로 이끌 수 있도록 하기 위해.
• 추천 근거를 서사적 시각화를 통해 전달하는 서사 기반 메커니즘을 개발하여 사용자 신뢰도와 참여도를 향상시키기 위해.
• 실제 데이터를 활용하여 잠재의미 모델링과 상호작용형 서사 기법이 다양한 사용자 선호 프로파일에 적용 가능한지를 입증하기 위해.

제안 방법

• 사용자 평점 행렬을 단일값 분해(SVD)를 사용해 인수분해함으로써 잠재의미모델(LSM)을 구축하여 고차원 의미 특징을 2차원 시각화 공간으로 추출한다.
• 잠재 공간 내에서 '선호', '불호', '익숙함', '다양성', '일반성', '비일반성' 등의 의미 개념을 정의하여 사용자 선호도를 표현하고 추천을 이끌어내는 데 활용한다.
• 사용자 시청 이력에 기반해 최적의 2차원 잠재 차원을 자동으로 식별하고, 축을 드라마 대비 코미디 등의 조합된 영화 특징에 맞추어 선호도 기울기를 반영한다.
• 영화 위치가 추천 정도(수직축)와 의미 대비(수평축)를 반영하는 2차원 산점도를 사용해 추천을 시각화하며, 좋아요(초록), 싫어요(주황), 추천(薰청) 영화는 색상으로 구분된 노드로 표현한다.
• 주인공 역할과 서사적 틀을 사용해 추천 그룹을 설명하는 동적이고 애니메이션된 서사적 내러티브를 생성함으로써 사용자 이해도와 참여도를 향상시킨다.
• 사용자가 익숙함, 일반성 등 선호도 파rameter를 조정할 수 있도록 실시간 상호작용을 지원하고, 즉각적으로 업데이트된 시각화와 내러티브 업데이트를 제공한다.

실험 결과

연구 질문

• RQ1 잠재의미분석을 어떻게 활용하여 고차원 사용자 평점 데이터를 개인화된 영화 추천을 위한 해석 가능한 2차원 시각화 공간으로 변환할 수 있는가?
• RQ2 서사 기반 메커니즘이 상호작용형 추천 시스템에서 사용자 참여도와 이해도를 얼마나 향상시킬 수 있는가?
• RQ3 사용자 선호도(예: 익숙함, 다양성)에 대한 명시적 피드백이 실시간 추천 파이프라인에 효과적으로 통합될 수 있는가?
• RQ4 다양한 사용자 선호 프로파일(예: 엄격한, 장르 중심, 포괄적인)이 잠재의미 공간에 어떻게 나타나며 추천 품질에 영향을 미치는가?
• RQ5 제안된 시스템은 영화 외의 다른 온라인 추천 도메인으로도 확장 가능한가?

주요 결과

• 잠재의미모델은 사용자 선호도를 반영하는 명확한 클러스터링을 보이며, 고차원 평점 데이터를 2차원 시각화 공간으로 성공적으로 매핑했다.
• MovieLens100K 데이터셋에 대한 사례 연구에서, 드라마/다큐멘터리/비디오그래피를 선호하는 사용자에 대해, 좋아요를 준 영화가 오른쪽에 위치하고 불호를 준 영화가 왼쪽에 위치함으로써 사용자 선호도를 효과적으로 식별하였다.
• 익숙함, 일반성, 다양성 등의 파rameter에 대한 상호작용 조정이 시각화와 추천 목록을 실시간으로 업데이트하며, 반응성이 높고 사용자 중심의 필터링을 가능하게 하였다.
• 큰 데이터셋임에도 불구하고 런타임에 관련 데이터만 캐시함으로써 시스템은 상호작용 성능(1초 미만 응답)을 달성하여 온라인 배포에 적합하다.
• 서사 기반 메커니즘이 애니메이션 내러티브를 통해 추천 논리를 효과적으로 전달하여, 기존의 목록 기반 추천 대비 투명도와 사용자 참여도를 높였다.
• 이 방법은 다양한 사용자 유형에 일반화 가능하다: 넓은 선호도를 가진 사용자뿐 아니라, 대부분 1~2점만 평가했지만 코미디 드라마 혼합 장르를 선호하는 엄격한 사용자에게도 효과적으로 추천을 제공하였다.