Random Wlk based Collaborative Filtering using Implicit …基于随机行走的协同过滤使用隐式….pptVIP

Random Walk based Collaborative Filtering for Implicit Feedback Datasets Sangkeun Lee, Sang-il Song Intelligent Data Systems Lab. Seoul National Univ Introduction 그 동안의 추천 시스템에 관한 연구 특정 도메인(영화, 음악 등)에서 명시적인 사용자의 선호도 정보(Rating)를 가지고 사용자에 의해 평가되지 않은(Unrated)된 아이템의 평점을 예측하는 문제를 중심으로 연구됨 문제점 사용자에게 명시적인 선호도 정보를 요청하는 것은 매우 큰 시간 비용을 필요로 하는 일 RMSE, MAE등의 Rating Error Measure를 이용한 성능 평가가 반드시 실제 어플리케이션에서 매우 중요한 Top-k Recommendation의 성능을 보장하지는 못함 대부분의 연구들이 User, Item 의 두 가지 차원만을 고려 상황 정보 등의 활용으로 자연스럽게 확장되지 않는 알고리즘 연구 방향 명시적인 상황 정보 대신 상대적으로 쉽게 얻을 수 있는 로그 데이터 (Implicit Feedback) 데이터를 활용한 추천 기법 연구 Top-k Recommendation 성능에 초점을 맞춘 Collaborative Filtering 기법 연구 최신의 추천 기법과 성능 비교 평가 시간, 장소 등의 상황 정보를 활용할 수 있는 다차원 Collaborative Filtering 기법 연구 Related Work Explicit Rating 을 활용한 추천 기법 사용자의 선호도 정보(Rating)를 가지고 사용자에 의해 평가되지 않은(Unrated)된 아이템의 평점을 예측하는 문제 RMSE 성능 평가에서 가장 우수한 성능을 보이는 최신(The state of the art)기법은 주로 SVD등의 Latent Factor Model을 활용한 Matrix Factorization 기법 SVD Asymmetric SVD SVD++ PureSVD 성능 평가를 위하여 공개된 데이터 셋 (Netflix, MovieLens)가 존재 사용자에게 명시적인 선호도 정보를 요청하는 것은 매우 큰 시간 비용을 필요로 하는 일 Implicit Feedback을 활용한 추천 기법 User의 Item access history등 Implicit하게 얻을 수 있는 정보를 이용하여 추천 RMSE, MAE등 Rating 오차 성능 척도를 사용한 평가가 불가능 / Precision Recall, Hit Ratio 등으로 평가 Explicit Rating을 활용한 추천 기법에 비하여 상대적으로 많은 연구가 이루어지지 않음 Asymmetric SVD, SVD++ User의 Movie Rental History 등을 Binary Matrix로 구성하여 Rating Prediction에 활용 Rating 정보를 보조하는 역할로만 Implicit Feedback을 사용하며, Explicit Rating Matrix가 존재하지 않으면 적용 불가능 Collaborative Filtering for Implicit Feedback Datasets (Yifan Hu et al.) User의 History Data에 기반하여 Preference, Confidence를 모델링하고 이를 포함한 LDA모델을 학습하여 추천에 활용 유저 서베이를 통한 성능 평가/ 다른 기법과의 성능 비교 없음 A User-Item Relevance Model for Log-based Collaborative Filtering Item Ranking의 문제로 바라보고 확률 모델로 collaborative filtering을 모델링/ Explicit Rating기법들과 직접 비교 불가능 Related Work Random Walk를 활용한 추천 기법 ItemRank: A Random-Walk Based Scoring Algorithm for Recommender Engines PageRank알고리즘으로부터 힌트를 얻어서 user-item bipartite graph를 구성하고 RWWR를