[논문 리뷰] Learning Optimal Social Dependency for Recommendation

Yong Liu, Peilin Zhao외 3명|arXiv (Cornell University)|2016. 03. 15.

Recommender Systems and Techniques참고 문헌 18인용 수 10

한 줄 요약

이 논문은 행렬 변량 정규분포를 사용하여 사용자 간의 긍정적 및 부정적 관계를 모델링하는 행렬 정밀도 행렬을 갖춘 확률적 관계 행렬 분해(Probabilistic Relational Matrix Factorization, PRMF)를 제안한다. PRMF는 여러 실세계 데이터셋에서 RMSE 및 MAE 측정치에서 최신 기법들을 능가하며, 특히 평점 데이터로부터 암묵적인 사회적 의존성을 학습할 때 뛰어난 성능을 보인다.

ABSTRACT

Social recommender systems exploit users' social relationships to improve the recommendation accuracy. Intuitively, a user tends to trust different subsets of her social friends, regarding with different scenarios. Therefore, the main challenge of social recommendation is to exploit the optimal social dependency between users for a specific recommendation task. In this paper, we propose a novel recommendation method, named probabilistic relational matrix factorization (PRMF), which aims to learn the optimal social dependency between users to improve the recommendation accuracy, with or without users' social relationships. Specifically, in PRMF, the latent features of users are assumed to follow a matrix variate normal (MVN) distribution. The positive and negative dependency between users are modeled by the row precision matrix of the MVN distribution. Moreover, we have also proposed an efficient alternating algorithm to solve the optimization problem of PRMF. The experimental results on real datasets demonstrate that the proposed PRMF method outperforms state-of-the-art social recommendation approaches, in terms of root mean square error (RMSE) and mean absolute error (MAE).

연구 동기 및 목표

• 추천 정확도 향상을 위해 사용자 간 가장 적절한 사회적 의존성을 식별하는 문제를 해결하기 위해.
• 암묵적인 사회적 관계가 없는 상황에서도 평점 행동에서 암묵적인 의존성을 학습함으로써 효과적으로 작동하는 추천 방법을 개발하기 위해.
• 확률적 행렬 분해 프레임워크를 사용하여 사용자 간의 긍정적 및 부정적 사회적 의존성을 모델링하기 위해.
• 통합된 확률적 모델에서 사용자 선호도와 사회적 관계를 함께 학습함으로써 추천 정확도를 향상시키기 위해.

제안 방법

• PRMF는 행렬 변량 정규분포(MVN)를 사용하여 사용자 잠재 특징을 모델링하며, 여기서 행(row) 정밀도 행렬은 사용자 간의 사회적 의존성을 코딩한다.
• MVN 분포에서 행 정밀도 행렬의 구조를 통해 긍정적 및 부정적 의존성이 포착된다.
• PRMF 목적함수를 해결하기 위해 스트로스틱 경사 하강법(SGD)과 분할 상향 최적화 방법(ADMM)을 조합한 효율적인 교차 최적화 알고리즘이 사용된다.
• 모델은 사회적 네트워크 정보가 필요 없이 평점 데이터로부터 사회적 의존성 행렬을 학습하므로, 사회적 데이터가 부족한 상황에서도 적용 가능하다.
• 파rameter γ를 통한 정규화는 학습된 사회적 의존성 행렬 Θ의 흐문함을 제어하며, 정확도와 계산 효율성 사이의 균형을 이룬다.
• 이 프레임워크는 암묵적(PRMF^imp) 및 명시적(PRMF^exp) 사회적 관계 학습을 모두 지원하며, 둘 다 뛰어난 성능을 보인다.

실험 결과

연구 질문

• RQ1 확률적 행렬 분해 모델이 사용자 선호도와 최적의 사회적 의존성을 함께 학습하여 추천 정확도를 향상시킬 수 있는가?
• RQ2 평점 행동에서 암묵적인 사회적 의존성을 학습하는 것과 사전 정의된 사회적 관계를 사용하는 것 간의 추천 성능는 어떻게 비교되는가?
• RQ3 학습된 사회적 의존성 행렬의 흐문함이 추천 정확도와 계산 효율성에 미치는 영향는 무엇인가?
• RQ4 PRMF는 다양한 데이터셋에서 RMSE 및 MAE 측정치에서 최신 기법들을 능가할 수 있는가?

주요 결과

• Ciao 데이터셋에서 PRMF^imp는 PMF보다 RMSE 기준 7.05% 향상되었고, Epinions에서는 5.16% 향상되어 사회적 의존성 학습의 이점을 입증했다.
• ML-100K에서는 RMSE 기준 0.73% 향상되었고, ML-1M에서는 0.49%, Ciao에서는 2.92%, Epinions에서는 2.40% 향상되어, 학습된 암묵적 의존성이 사전 정의된 의존성보다 뛰어난 성능을 보였다.
• Ciao 및 Epinions에서 PRMF^exp는 SR^exp보다 평균적으로 RMSE 기준 1.03% 향상되었고, LOCABAL보다 3.60%, eSMF보다 2.77% 향상되어 명시적 관계 학습에서의 효과를 확인했다.
• ML-100K에서 γ = 0.3으로 설정하면 Θ의 흐문함 비율이 65.21%이며 RMSE = 0.9149로, 최고 경쟁자인 SR^imp보다 0.56% 향상되었다.
• Ciao에서 최적의 RMSE는 γ = 0.1일 때 도달했으며, Θ의 흐문함 비율은 79.74%였고, 이는 흐문 의존성 행렬이 정확도 향상에 기여할 수 있음을 시사한다.
• 기존 정보(명시적/암묵적 관계)의 기여는 미미한 편이었으며, 이는 모델의 핵심 역량이 외부 사회적 구조에 의존하기보다는 데이터로부터 의존성을 학습하는 데 있음을 시사한다.