[논문 리뷰] Knowledge-aware Autoencoders for Explainable Recommender Sytems

Vito Bellini, Angelo Schiavone외 3명|arXiv (Cornell University)|2018. 07. 17.

Recommender Systems and Techniques참고 문헌 23인용 수 8

한 줄 요약

이 논문은 DBpedia의 구조화된 지식 그래프를 활용하여 콘텐츠 기반으로 설명 가능한 추천을 생성하는 지식 인식 자동에코더(SemAuto)를 제안한다. 자동에코더의 은닉층에 사용자 선호도를 인코딩하고 지식 그래프의 사실적 및 범주적 속성을 모두 사용함으로써, 개인화된 투명한 설명을 생성하며 이는 사용자 만족도, 신뢰도, 설득력에 크게 기여한다. 특히 사실 정보를 포함한 쌍별 설명 스타일을 사용할 경우 그 효과가 두드러진다.

ABSTRACT

Recommender Systems have been widely used to help users in finding what they are looking for thus tackling the information overload problem. After several years of research and industrial findings looking after better algorithms to improve accuracy and diversity metrics, explanation services for recommendation are gaining momentum as a tool to provide a human-understandable feedback to results computed, in most of the cases, by black-box machine learning techniques. As a matter of fact, explanations may guarantee users satisfaction, trust, and loyalty in a system. In this paper, we evaluate how different information encoded in a Knowledge Graph are perceived by users when they are adopted to show them an explanation. More precisely, we compare how the use of categorical information, factual one or a mixture of them both in building explanations, affect explanatory criteria for a recommender system. Experimental results are validated through an A/B testing platform which uses a recommendation engine based on a Semantics-Aware Autoencoder to build users profiles which are in turn exploited to compute recommendation lists and to provide an explanation.

연구 동기 및 목표

• 사용자 이해 가능한 콘텐츠 기반 설명을 제공함으로써 추천 시스템 내 사용자 신뢰도와 만족도를 향상시키기.
• 범주적 vs. 사실적 정보와 같은 지식 그래프(KG) 정보의 유형이 설명 효과성에 미치는 영향을 조사하기.
• 사용자 인식에서 쌍별 설명(두 항목을 비교)이 단일 항목 기반 설명(하나의 항목을 기술)보다 우월한지 평가하기.
• SemAuto 모델이 학습한 사용자 프로파일이 실제 사용자 선호도를 얼마나 잘 대변하는지 검증하기.
• 지식 그래프의 의미론이 추천의 투명도와 설득력 향상에 기여하는 방식 탐색하기.

제안 방법

• 사용자 평가와 DBpedia의 지식 그래프 구조를 기반으로 한 의미론적 자동에코더(SemAuto)를 학습시키며, 네트워크 아키텍처는 지식 그래프 연결 구조를 그대로 반영한다.
• 사용자 프로파일은 자동에코더의 은닉층에서 학습된 가중치로부터 유도되며, 의미론적 및 사실적 선호도를 인코딩한다.
• 설명은 DBpedia의 범주적 속성(예: 영화 장르)과 사실적 속성(예: 감독, 배우)을 모두 사용하여 생성된다.
• 두 가지 설명 스타일을 구현함: 단일 항목 기반 설명(pointwise)과 사용자 프로필의 특성 중요도 기반으로 두 항목을 비교하는 쌍별 설명(paired).
• 892명의 자발자 참여자로 이루어진 A/B 테스트 플랫폼을 통해 사용자 인식 평가를 만족도, 신뢰도, 설득력 등의 지표로 수행한다.
• 지식 그래프 임베딩과 사용자 상호작용 데이터를 통합하여, 콜드스터트가 아닌 상황에서 설명 가능하고 정확한 추천을 제공한다.

실험 결과

연구 질문

• RQ1 RQ1: SemAuto 자동에코더의 은닉층에 인코딩된 정보가 사용자 선호도를 대표하는 것으로 간주될 수 있는가?
• RQ2 RQ2: 사용자 만족도, 신뢰도, 투명도 향상 측면에서 쌍별 설명이 단일 항목 기반 설명보다 효과적인가?
• RQ3 RQ3: 지식 그래프 정보의 유형(범주적 vs. 사실적)이 설명의 인식 품질에 어떤 영향을 미치는가?

주요 결과

• 사용자가 자신의 선호도가 순위에 어떻게 영향을 주는지 더 잘 이해함에 따라, 쌍별 설명 스타일이 설득력과 투명도 측면에서 단일 항목 기반 설명보다 유의미하게 뛰어나다.
• 사실적 속성(예: 배우, 감독)을 사용할 경우, 범주적 속성만 사용할 경우보다 사용자 만족도, 신뢰도, 효과성이 높다.
• 사실적 및 범주적 속성을 모두 사용한 설명은 모든 지표에서 최고의 성능을 보이며, 사실적 데이터만 사용해도 거의 동일한 성능을 기록한다.
• 은닉층이 사용자 선호도를 효과적으로 인코딩하고 있음을 확인할 수 있었으며, 이는 설명을 읽은 후 사용자 평가 변화가 낮다는 점에서 유추된다—즉, 높은 대표성 확보됨.
• 모델의 설명은 시스템의 투명도를 향상시키며, 의미론적 및 사실적 속성을 모두 사용할 경우 최고의 수준에 도달한다.
• 결과적으로 사실 정보는 그 구체성과 검증 가능성이 있기 때문에 사용자에게 더 쉽게 수용되며, 추상적인 범주보다 설득력이 더 크다는 점이 나타났다.