[논문 리뷰] The Continuous Cold Start Problem in e-Commerce Recommender Systems

Lucas Bernardi, Jaap Kamps외 2명|UvA-DARE (University of Amsterdam)|2015. 08. 05.

Recommender Systems and Techniques참고 문헌 18인용 수 13

한 줄 요약

이 논문은 전자상거래 추천 시스템에서 사용자와 아이템이 반복적으로 냉각 상태에 들어가는 연속적인 냉각 시작(Continuous Cold Start, CoCoS) 문제를 제시한다. 이는 사용자 활동 빈도가 적거나 관심사가 변화하거나 여러 개의 사용자 역할을 동시에 가질 경우 발생한다. 본 논문은 실시간 사용자 의도와 맥락적 특징을 활용하여 시의적절하고 관련성이 높은 추천을 제공하는 맥락 기반 및 콘텐츠 기반 추천 전략을 효과적인 해결책으로 제안한다. 이는 데이터 희소성에도 불구하고 작동한다.

ABSTRACT

Many e-commerce websites use recommender systems to recommend items to users. When a user or item is new, the system may fail because not enough information is available on this user or item. Various solutions to this `cold-start problem' have been proposed in the literature. However, many real-life e-commerce applications suffer from an aggravated, recurring version of cold-start even for known users or items, since many users visit the website rarely, change their interests over time, or exhibit different personas. This paper exposes the `Continuous Cold Start' (CoCoS) problem and its consequences for content- and context-based recommendation from the viewpoint of typical e-commerce applications, illustrated with examples from a major travel recommendation website, Booking.com.

연구 동기 및 목표

• Booking.com과 같은 전자상거래 플랫폼에서 특히 중요한 산업적 추천 시스템에서 반복적으로 발생하는 연속적인 냉각 시작(Continuous Cold Start, CoCoS) 문제를 식별하고 공식화하는 것.
• 사용자나 아이템이 낮은 활동량, 관심사 변화, 또는 여러 역할을 가질 경우 반복적으로 냉각 상태가 되는 상황에서 기존의 냉각 시작 솔루션(예: 협업 필터링 및 하이브리드 모델)의 한계를 부각하는 것.
• 사용자 변동성과 일시적인 사용자 상태에 실시간으로 대응할 수 있는 더 견고한 솔루션으로 맥락 기반 및 콘텐츠 기반 추천 접근법을 제안하는 것.
• 기존의 행렬 분해에 칼만 필터를 적용하거나 토픽 모델링을 사용한 방법들이 부분적으로는 향상되지만, CoCoS의 동적 특성을 완전히 해결하지 못한다는 것을 보여주는 것.
• 온라인 의도 모델링과 맥락 기반 추천이 현재 사용자 행동과 맥락에 반응함으로써 CoCoS 문제를 완화하는 데 유망한 전략임을 주장하는 것.

제안 방법

• 실시간 맥락적 특징(예: 시간, 위치, 기기, 날씨, 사용자 세션 행동)을 기반으로 추천을 계산하는 맥락 기반 추천 시스템을 제안한다.
• 온라인 사용자 의도 예측을 활용하여 몇 차례의 상호작용 이후에도 사용자의 현재 프로필을 동적으로 추정함으로써 더 빠르고 관련성이 높은 추천을 가능하게 한다.
• 콘텐츠 기반 필터링을 활용하여 아이템 속성 유사도를 기반으로 최소한의 입력(예: 단일 검색 쿼리 또는 클릭)으로도 초도 추천을 생성한다.
• 사용자 의도를 세션 수준에서 모델링하기 위해 요인화된 마르코프 결정 과정(factored Markov decision processes)을 도입함으로써 변화하는 사용자 행동에 따라 적응형 추천을 생성할 수 있도록 한다.
• 실시간에서의 탐색과 이용의 균형을 맞추기 위해 맥락 기반 다중 손잡이 도박기반 프레임워크를 채택한다. 특히 신호가 적은 상황에서 유용하다.
• 협업 필터링과 콘텐츠 기반 또는 맥락 기반 구성 요소를 융합한 하이브리드 모델을 채택하지만, 사용자가 빠르게 역할이나 관심사를 전환할 경우 기존의 표준 하이브리드 접근법이 실패한다는 점을 강조한다.

실험 결과

연구 질문

• RQ1 실제 전자상거래 추천 시스템에서 연속적인 냉각 시작(CoCoS) 문제는 사용자 활동 빈도가 낮거나 관심사가 변화하는 플랫폼에서 어떻게 나타나는가?
• RQ2 협업 필터링에 기반한 기존의 냉각 시작 솔루션 또는 하이브리드 모델이 산업 응용에서 반복적인 냉각 시작을 다루지 못하는 이유는 무엇인가?
• RQ3 맥락 기반 및 콘텐츠 기반 추천 전략이 일시적인 사용자 상태와 여러 사용자 역할에 적응함으로써 CoCoS 문제를 어느 정도 완화할 수 있는가?
• RQ4 온라인 의도 모델링과 실시간 맥락 처리는 추천 지연을 줄이고 추천의 관련성을 향상시키는 데 얼마나 효과적인가?
• RQ5 동적 행렬 분해나 토픽 모델링과 같은 기존의 접근법은 빠른 관심사 변화와 맥락 의존적 행동을 다루는 데 어떤 한계를 지니는가?

주요 결과

• 연속적인 냉각 시작(CoCoS) 문제는 사용자가 오랜 기간 불활용 후 다시 돌아오거나 비즈니스용과 레저용 등 서로 다른 여행 역할을 오가는 경우가 많은 Booking.com과 같은 실세계 전자상거래 플랫폼에서 널리 퍼져 있다.
• 기존의 냉각 시작 솔루션은 사용자가 따뜻해지고 그 상태를 유지한다는 가정을 내포하지만, 관심사 변화나 사용 빈도 감소로 인해 반복적으로 냉각 상태가 되는 상황에서는 이 가정이 성립하지 않아 실패한다.
• 실시간 맥락(예: 시간, 기기, 위치)을 기반으로 사용자를 군집화함으로써 맥락 기반 추천 시스템은 역사적 데이터가 극히 적은 상황에서도 관련성이 높은 추천을 제공할 수 있다.
• 초기 단계의 추천에서 콘텐츠 기반 접근법은 협업 필터링보다 뛰어나며, 단일 상호작용이나 쿼리만으로도 의미 있는 추천을 생성할 수 있다.
• 요인화된 마르코프 결정 과정을 활용한 온라인 의도 모델링은 몇 차례 클릭 이후에 사용자 의도를 동적으로 추정함으로써 짧은 세션 동안 추천의 관련성을 향상시킨다.
• 하이브리드 모델이나 동적 행렬 분해(예: 칼만 필터링을 적용한 SVD)는 오프라인 평가에서는 향상이 보이지만, 실사용 환경에서는 빠른 역할 전환이나 맥락 의존적 행동을 다루는 데는 여전히 부족하다.