[논문 리뷰] Preference-based Graphic Models for Collaborative Filtering

Rong Jin, Luo Si외 1명|arXiv (Cornell University)|2012. 10. 19.

Recommender Systems and Techniques참고 문헌 12인용 수 68

한 줄 요약

이 논문은 협업 필터링을 향상시키기 위해 사용자 선호도와 평가 행동을 명시적으로 구분함으로써 두 가지 새로운 확률적 그래픽 모델—분리 모델과 선호도 모델—을 제안한다. 분리 모델은 선호도와 평가를 분리하여, 두 개의 영화 평가 데이터셋에서 기존의 다섯 가지 방법보다 뛰어난 성능을 보이며 사용자별 평가 편향을 더 잘 포착한다.

ABSTRACT

Collaborative filtering is a very useful general technique for exploiting the preference patterns of a group of users to predict the utility of items to a particular user. Previous research has studied several probabilistic graphic models for collaborative filtering with promising results. However, while these models have succeeded in capturing the similarity among users and items in one way or the other, none of them has considered the fact that users with similar interests in items can have very different rating patterns; some users tend to assign a higher rating to all items than other users. In this paper, we propose and study of two new graphic models that address the distinction between user preferences and ratings. In one model, called the decoupled model, we introduce two different variables to decouple a users preferences FROM his ratings. IN the other, called the preference model, we model the orderings OF items preferred BY a USER, rather than the USERs numerical ratings of items. Empirical study over two datasets of movie ratings shows that appropriate modeling of the distinction between user preferences and ratings improves the performance substantially and consistently. Specifically, the proposed decoupled model outperforms all five existing approaches that we compare with significantly, but the preference model is not very successful. These results suggest that explicit modeling of the underlying user preferences is very important for collaborative filtering, but we can not afford ignoring the rating information completely.

연구 동기 및 목표

• 기존 협업 필터링 모델이 사용자 선호도와 평가 행동을 구분하지 못하는 한계를 해결한다.
• 수치적 평가와는 별개로 사용자 선호도를 모델링하여 예측 정확도를 향상시킨다.
• 명시적으로 선호도 순서를 모델링하면 협업 필터링 성능이 향상되는지 조사한다.
• 선호도와 평가를 분리하는 것이 추천 시스템의 효과성에 미치는 영향을 평가한다.
• 주관적인 선호도를 객관적인 평가 패턴에서 분리함으로써 사용자 행동에 대한 더 세밀한 이해를 제공한다.

제안 방법

• 사용자 선호도를 나타내는 잠재 변수와 평가 편향을 나타내는 다른 잠재 변수를 사용하는 분리 모델을 제안한다.
• 수치적 평가가 아니라 항목 간 선호도 순서를 사용하여 사용자 선호도를 모델링한다.
• 사용자, 항목, 그리고 잠재적 선호도 및 평가 변수 간의 종속성을 표현하기 위해 베이지안 그래픽 모델을 사용한다.
• 잠재 변수를 추정하고 누락된 평가를 예측하기 위해 확률적 추론을 적용한다.
• 두 개의 실세계 영화 평가 데이터셋에서 최대우도추정법을 사용하여 모델을 훈련한다.
• 제안된 모델의 성능을 다섯 가지 기존의 협업 필터링 기준 모델과 비교한다.

실험 결과

연구 질문

• RQ1 사용자 선호도와 평가 행동을 분리하면 협업 필터링 성능이 향상되는가?
• RQ2 수치적 평가 대신 선호도 순서를 모델링하면 추천 정확도에 어떤 영향을 미치는가?
• RQ3 사용자별 평가 편향을 고려함으로써 예측 품질이 얼마나 향상되는가?
• RQ4 기존의 선호도와 평가를 혼합하여 다루는 전통적 협업 필터링 접근 방식보다 분리 모델이 더 효과적인가?
• RQ5 선호도 순서를 이론적으로는 잘 포착하고 있음에도 불구하고 선호도 모델이 성능이 떨어지는 이유는 무엇인가?

주요 결과

• 분리 모델은 예측 정확도 측면에서 비교한 다섯 가지 기준 방법 전부를 뛰어넘는다.
• 사용자별 평가 편향을 명시적으로 모델링함으로써 평가 척도의 체계적 차이를 포착함으로써 성능 향상이 이루어진다.
• 수치적 평가 대신 항목 순서를 모델링하는 선호도 모델은 경쟁력 있는 성능를 달성하지 못한다.
• 실험 결과, 평가 정보를 완전히 忽시하면 선호도를 명시적으로 모델링한 경우조차 성능 저하가 발생함을 보여준다.
• 이 연구는 선호도 모델링이 유익할 수는 있지만, 정확한 예측을 위해서는 평가 데이터가 여전히 필수적임을 확인한다.
• 분리 모델의 성공은 기존 협업 필터링 접근 방식에서 자주 간과되는 평가 편향이 핵심 요소임을 시사한다.