[논문 리뷰] SPMC: Socially-Aware Personalized Markov Chains for Sparse Sequential Recommendation

Chenwei Cai, Ruining He외 1명|arXiv (Cornell University)|2017. 06. 16.

Recommender Systems and Techniques참고 문헌 16인용 수 14

한 줄 요약

이 논문은 데이터가 희소하고 추천 시작 단계에서 어려움을 겪는 상황에서 사용자의 순차적 행동과 친구들의 행동을 동시에 고려하여 성능을 햖थ한 사회적 요인을 고려한 개인화된 마르코프 체인 모델인 SPMC을 제안한다. 개인화된 마르코프 체인에 사회적 정규화를 통합함으로써 SPMC는 네 개의 실세계 데이터셋에서 최신 기술 성능을 달성하며, 특히 순차적 행동과 사회적 네트워크에서의 효과적인 신호 통합 덕분에 추천 시작 단계에서 뛰어난 성능을 발휘한다.

ABSTRACT

Dealing with sparse, long-tailed datasets, and cold-start problems is always a challenge for recommender systems. These issues can partly be dealt with by making predictions not in isolation, but by leveraging information from related events; such information could include signals from social relationships or from the sequence of recent activities. Both types of additional information can be used to improve the performance of state-of-the-art matrix factorization-based techniques. In this paper, we propose new methods to combine both social and sequential information simultaneously, in order to further improve recommendation performance. We show these techniques to be particularly effective when dealing with sparsity and cold-start issues in several large, real-world datasets.

연구 동기 및 목표

• 순차적 추천에서의 데이터 희소성과 추천 시작 문제를 해결하기 위해 사회 네트워크 정보를 통합함으로써 도전 과제를 해결하고자 한다.
• 기존의 FPMC 및 SBPR와 같이 순차적 및 사회적 신호를 별도로 다루는 모델들을 향상시키고자 한다.
• 개인의 선호도, 최근 행동, 그리고 친구들의 최근 행동을 종합적으로 고려하여 사용자 행동을 모델링하는 통합 프레임워크를 개발하고자 한다.
• 모델 파라미터 공유와 정규화를 통해 희소한 환경에서의 복잡성과 과적합을 줄이고자 한다.
• 다양한 희소성과 추천 시작 문제를 가진 실세계 데이터셋을 대상으로 모델의 우수성을 실증적으로 검증하고자 한다.

제안 방법

• SPMC는 전이 확률이 사용자별 잠재 요소에 의존하는 개인화된 마르코프 체인을 사용하여 사용자 행동을 모델링한다.
• 친구들의 최근 행동이 사용자의 다음 행동에 미치는 영향을 가중치가 부여된 집계 메커니즘을 통해 사회적 영향을 통합한다.
• 친구들의 행동에 대해 시그모이드 가중치 융합을 사용하며, 이 가중치는 사용자 유사도(임bedding 벡터 W_u 및 W_u'를 통해 학습)에 기반하여 영향력을 동적으로 조정한다.
• 친구들의 신호 집계 전략을 제어하기 위해 초수치 α를 도입하며, α=1일 경우 친구들의 영향력 간 단순 산술 평균에 해당한다.
• 모델은 쌍별 순위 기반 목적함수(비슷한 BPR 방식)를 사용하여 엔드 투 엔드로 훈련되며, 사용자가 상호작용한 아이템을 그렇지 않은 아이템보다 선호할 가능성을 최적화한다.
• 모든 모델 파라미터, 즉 사용자/아이템 임베딩, 전이 행렬, 사회적 가중치 등을 대상으로 순전파의 부분 도함수를 이용한 역전파를 통해 파라미터 업데이트를 유도한다.

실험 결과

연구 질문

• RQ1 통합된 모델에서 순차적 및 사회적 신호를 융합하면 희소성과 추천 시작 단계에서의 추천 성능이 향상되는가?
• RQ2 개인적 순서만을 고려하는 것과 비교해 친구들의 최근 행동을 통합함으로써 사용자의 다음 행동 예측 정확도는 얼마나 향상되는가?
• RQ3 다수의 친구들로부터의 기여를 가중치로 조합할 최적의 방법은 무엇이며, 이는 일반화 성능에 어떤 영향을 미치는가?
• RQ4 모델 성능은 임베딩 차원 수나 사회적 영향 집계 초수치 α와 같은 하이퍼파라미터에 얼마나 민감한가?
• RQ5 제안된 모델은 다양한 크기와 희소성 수준을 가진 데이터셋에서 효율적으로 수렴하고 안정성을 유지하는가?

주요 결과

• 순차적 또는 사회적 신호를 별도로 고려하는 최신 기술 모델들보다 SPMC가 더 뛰어난 성능을 보이며, 특히 희소성과 추천 시작 문제를 야기하는 데이터셋에서 두각을 나타낸다.
• Ciao, Foursquare, Epinions, Flixster 데이터셋에서 SPMC는 FPMC 및 SBPR보다 높은 AUC 점수를 기록하며, 통합 모델링의 효과를 입증한다.
• 모델은 100회 미만의 훈련 반복 내에 수렴하여, 복잡도가 증가했음에도 불구하고 기준 모델과 유사한 훈련 효율성을 보였다.
• 차원 수 K가 20를 초과하면 AUC 향상 폭이 멈추며, 이는 제한된 사용자 상호작용 조건에서도 과적합에 취약하지 않음을 시사한다.
• α의 최적 값은 약 1.0으로 확인되었으며, 이는 친구들의 영향력 간 단순 산술 평균이 가장 뛰어난 성능을 내는 것을 의미한다.
• 더 큰 데이터셋(Foursquare 및 Flixster)에서 SPMC는 AUC 변동 폭이 작아져 데이터 스케일에 대한 강건성을 보이며 더 높은 안정성을 확보한다.