[논문 리뷰] Sequences, Items And Latent Links: Recommendation With Consumed Item Packs

Rachid Guerraoui, Erwan Le Merrer외 2명|arXiv (Cornell University)|2017. 11. 16.

Recommender Systems and Techniques참고 문헌 39인용 수 4

한 줄 요약

이 논문은 추천 시스템에서 암시적 사용자 소비 행동을 모델링하기 위한 새로운 추상화인 소비 항목 팩(CIPs)을 소개한다. 소비된 항목의 순서를 잠재적 항목 팩으로 포착함으로써, 저자들은 스케일링이 가능하고 순차적인 업데이트가 가능한 세 가지 알고리즘—사용자 기반, 항목 기반, 단어 임베딩 기반(DEEPCIP)—을 제안한다. 이 알고리즘들은 대규모 데이터셋에서 최신 기술 수준의 추천 품질을 달성하며, SVD와 같은 명시적 피드백 방법과 이전의 암시적 기법들보다 뛰어난 성능을 보인다.

ABSTRACT

Recommenders personalize the web content by typically using collaborative filtering to relate users (or items) based on explicit feedback, e.g., ratings. The difficulty of collecting this feedback has recently motivated to consider implicit feedback (e.g., item consumption along with the corresponding time). In this paper, we introduce the notion of consumed item pack (CIP) which enables to link users (or items) based on their implicit analogous consumption behavior. Our proposal is generic, and we show that it captures three novel implicit recommenders: a user-based (CIP-U), an item-based (CIP-I), and a word embedding-based (DEEPCIP), as well as a state-of-the-art technique using implicit feedback (FISM). We show that our recommenders handle incremental updates incorporating freshly consumed items. We demonstrate that all three recommenders provide a recommendation quality that is competitive with state-of-the-art ones, including one incorporating both explicit and implicit feedback.

연구 동기 및 목표

• 명시적 피드백의 한계, 예를 들어 희박성과 새로운 항목에 대한 반응 지연을 해결하기 위해.
• 임의의 순서 정의를 넘어서서 암시적 사용자 행동의 고수준 추상화를 식별하기 위해.
• 실시간 업데이트를 지원하면서도 높은 추천 품질을 유지할 수 있도록 CIP 기반의 확장성 있고 순차적인 알고리즘을 개발하기 위해.
• CIP 기반 방법이 대규모 분산 시스템에서 정확도와 효율성 면에서 최신 기술 수준의 성능을 달성하거나 초월할 수 있음을 입증하기 위해.

제안 방법

• 사용자가 시간 창 내에서 자주 함께 소비하는 항목의 잠재적 그룹으로서 소비 항목 팩(CIP)의 개념을 도입한다.
• 새로운 항목 소비 정보로 추천을 효율적으로 업데이트할 수 있는 순차적이고 메모리 기반의 사용자 기반(CIP-U) 및 항목 기반(CIP-I) 협업 필터링 알고리즘을 개발한다.
• 신경망 단어 임베딩(DEEPCIP)을 활용한 모델 기반 접근법을 제안하여 CIP의 조밀한 표현을 학습함으로써 순서를 고려한 추천을 가능하게 한다.
• 모든 세 알고리즘을 다수의 노드에 걸쳐 확장하기 위해 분산 컴퓨팅 프레임워크(Apache Spark)를 활용하며, Spark의 ALS와 유사한 성능을 달성한다.
• CIP 공존도를 기반으로 한 유사도 메트릭을 설계하여 사용자-사용자 및 항목-항목 유사도를 다시 계산하지 않고도 순차적으로 계산한다.
• CIP가 FISM과 같은 기존 최신 기술 수준의 방법들을 포괄하고 일반화할 수 있음을 보여주며, 이 프레임워크의 일반성과 표현력이 입증된다.

실험 결과

연구 질문

• RQ1 CIPs와 같은 통합 추상화가 사용자 소비 순서에서 유래하는 다양한 암시적 추천 패턴을 효과적으로 포착하고 일반화할 수 있는가?
• RQ2 새로운 소비 항목이 추가될 때도 저비용의 계산 부담을 유지하면서 CIP 기반 추천 엔진이 순차적 업데이트를 어떻게 지원할 수 있는가?
• RQ3 CIP 기반 방법이 최신 기술 수준의 명시적 피드백 및 암시적 피드백 기법과 경쟁하거나 승리할 수 있는 추천 정확도를 달성할 수 있는가?
• RQ4 CIP 기반 알고리즘이 Spark와 같은 분산 환경에서 얼마나 효율적으로 확장될 수 있으며, ALS와 같은 표준 벤치마크와 비교해 볼 때 어떤가?

주요 결과

• CIP 기반 사용자 기반(CIP-U) 및 항목 기반(CIP-I) 추천 엔진은 테스트된 데이터셋에서 SVD 기반 방법과 암시적 피드백 기법인 FISM보다 뛰어난 추천 품질을 달성한다.
• CIP의 단어 임베딩 기반 모델인 DEEPCIP는 FISM 및 MCREC와 같은 최신 기술 수준의 순차적 모델과 유사하거나 더 뛰어난 성능을 보인다.
• 제안된 세 가지 CIP 기반 알고리즘은 컴퓨팅 노드의 수가 증가함에 따라 효과적으로 확장되며, Spark의 ALS 추천 엔진과 유사한 성능 향상을 달성한다.
• 알고리즘의 순차적 성격 덕분에 전체 재계산 없이도 효율적인 실시간 업데이트가 가능하다.
• CIP 프레임워크는 FISM 알고리즘을 성공적으로 일반화하여, 순서를 고려한 암시적 추천 분야에서의 표현력과 통합 잠재력이 입증된다.
• 실증적 평가 결과, CIP 기반 방법은 시간 기반 가중치나 마르코프 체인에 의존하는 기존의 암시적 기법들보다 장기적 꼬리 항목 분포 처리에서 뛰어난 성능을 보였다.