[논문 리뷰] Try This Instead: Personalized and Interpretable Substitute Recommendation

Tong Chen, Hongzhi Yin외 4명|arXiv (Cornell University)|2020. 05. 19.

Recommender Systems and Techniques참고 문헌 49인용 수 9

한 줄 요약

이 논문은 사용자 리뷰에서 명시적이고 감성극성화된 속성을 추출하여 사용자 선호도와 상품 특성 간의 갭을 메우는 개인화되고 해석 가능한 대체 추천 모델인 A2CF를 제안한다. 사용자, 상품, 속성의 표현을 함께 학습함으로써 A2CF는 개인화된 대체 추천과 직관적인 속성 수준의 설명을 모두 가능하게 하여 실제 데이터셋에서 기존 방법들보다 추천 품질과 해석 가능성 측면에서 뛰어난 성능을 보인다.

ABSTRACT

As a fundamental yet significant process in personalized recommendation, candidate generation and suggestion effectively help users spot the most suitable items for them. Consequently, identifying substitutable items that are interchangeable opens up new opportunities to refine the quality of generated candidates. When a user is browsing a specific type of product (e.g., a laptop) to buy, the accurate recommendation of substitutes (e.g., better equipped laptops) can offer the user more suitable options to choose from, thus substantially increasing the chance of a successful purchase. However, existing methods merely treat this problem as mining pairwise item relationships without the consideration of users' personal preferences. Moreover, the substitutable relationships are implicitly identified through the learned latent representations of items, leading to uninterpretable recommendation results. In this paper, we propose attribute-aware collaborative filtering (A2CF) to perform substitute recommendation by addressing issues from both personalization and interpretability perspectives. Instead of directly modelling user-item interactions, we extract explicit and polarized item attributes from user reviews with sentiment analysis, whereafter the representations of attributes, users, and items are simultaneously learned. Then, by treating attributes as the bridge between users and items, we can thoroughly model the user-item preferences (i.e., personalization) and item-item relationships (i.e., substitution) for recommendation. In addition, A2CF is capable of generating intuitive interpretations by analyzing which attributes a user currently cares the most and comparing the recommended substitutes with her/his currently browsed items at an attribute level. The recommendation effectiveness and interpretation quality of A2CF are demonstrated via extensive experiments on three real datasets.

연구 동기 및 목표

• 상품 수준의 유사성 외에 사용자별 선호도를 고려함으로써 개인화된 대체 추천의 격차를 해소하기 위해.
• 기존 잠재 요인 기반 모델의 해석 가능성 부족 문제를 해결하기 위해 속성 수준의 설명을 가능하게 하기 위해.
• 암묵적 임bedding을 통해 사용자-상품 상호작용을 모델링하는 대신, 리뷰에서 추출한 명시적이고 감성 분석된 속성을 통해 모델링하기 위해.
• 사용자가 둘러본 상품과 대체 상품 간의 속성 수준 특징을 비교함으로써 맥락적으로 개인화되고 설명 가능한 추천을 생성하기 위해.

제안 방법

• A2CF는 감성 분석을 통해 사용자 리뷰에서 명시적이고 극성화된 상품 속성(예: 카메라 화질, 배터리 수명)을 추출하여 사용자 선호도를 식별한다.
• 공동 필터링 프레임워크를 사용하여 공유 임베딩 공간을 활용해 사용자, 상품, 속성의 저차원 표현을 함께 학습한다.
• 사용자 선호도 모델링을 최적화하기 위해 트리플릿 손실 함수를 사용하여, 사용자가 중요하게 여기는 차원에서 열등한 속성을 가진 상품보다 우월한 속성을 가진 상품이 추천되도록 보장한다.
• 대체 추천은 사용자가 강한 선호도를 보인 핵심 속성에서 대상 상품보다 뛰어난 성능을 보이는 상품을 식별함으로써 생성된다.
• 설명은 사용자가 중요하게 여기는 상위 속성들을 분석하고, 사용자가 둘러본 상품과 추천된 대체 상품 간의 속성 값들을 비교함으로써 생성된다.
• 이 프레임워크는 속성 수준의 차이를 강조함으로써 개인화된 후보 생성과 인간이 읽을 수 있는 설명을 모두 지원한다.

실험 결과

연구 질문

• RQ1 잠재 요인 기반 방법과 비교해 리뷰에서 명시적 속성을 모델링함으로써 대체 추천의 개인화 수준을 향상시킬 수 있는가?
• RQ2 사용자별 속성 선호도를 식별하고 상품 간의 속성 값 비교를 통해 대체 추천을 어떻게 해석 가능하게 만들 수 있는가?
• RQ3 리뷰에서 감성극성화된 속성을 통합함으로써 추천 성능과 설명 품질이 얼마나 향상되는가?
• RQ4 사용자 선호도 일치도를 측정함으로써 정확하고 사용자 의도에 부합하는 설명을 모델이 생성할 수 있는가?
• RQ5 추천 효과성과 해석 가능성 메트릭 측면에서 A2CF는 최신 기술 모델들과 비교해 어떻게 성과를 내는가?

주요 결과

• A2CF는 행렬 분해 및 신경망 기반 방법을 포함한 기준 모델들과 비교해 세 개의 실제 세계 데이터셋에서 표준 추천 메트릭(NDCG, Recall 등)에서 뛰어난 성능을 달성한다.
• 사용자 연구 및 정성적 분석을 통해 검증된 바, A2CF는 사용자 선호도와 일치하는 속성 수준의 설명을 생성함으로써 해석 가능성 측면에서 뚜렷한 향상을 이룬다.
• A2CF는 CLVA 및 기타 잠재 요인 기반 모델보다 추천 정확도와 설명 품질 측면에서 모두 뛰어나며, 명시적 속성 모델링의 유용성을 입증한다.
• 제거 실험을 통해 감성극성화된 속성 추출이 성능 향상에 가장 기여하는 것으로 확인되었으며, 특히 개인화 측면에서 두드러진다.
• 사용자들은 A2CF의 설명이 더 직관적이고 신뢰감이 있다고 평가하였으며, 이는 사용자가 둘러본 상품과 추천된 대체 상품 간의 특정하고 측정 가능한 속성 차이를 강조하기 때문이다.