Core Concepts
지식 그래프 정보를 활용하여 추천의 다양성을 높이는 방법을 제안한다.
Abstract
이 논문은 추천 시스템의 다양성 향상을 위해 지식 그래프(KG) 정보를 활용하는 방법을 제안한다.
먼저, 추천의 다양성을 측정하기 위한 새로운 지표인 Entity Coverage(EC)와 Relation Coverage(RC)를 소개한다. 이 지표들은 추천된 항목들이 KG 내에서 얼마나 다양한 개체와 관계를 포함하고 있는지를 나타낸다.
다음으로, Diversified Embedding Learning(DEL) 모듈을 제안한다. 이 모듈은 사용자 표현을 생성할 때 다양성을 고려하여 사용자의 다양한 관심사를 반영할 수 있도록 한다.
또한, Conditional Alignment and Uniformity(CAU) 기법을 통해 KG 임베딩을 효과적으로 인코딩한다. 이를 통해 KG 내에서 유사한 항목들 간의 관계를 잘 보존할 수 있다.
실험 결과, 제안한 KG-Diverse 모델이 기존 방법들에 비해 추천의 다양성을 크게 향상시키면서도 추천 정확도를 유지할 수 있음을 보여준다.
Stats
추천 시스템에서 다양성과 정확성의 균형을 잡는 것이 중요하다.
지식 그래프 정보를 활용하면 추천의 다양성을 높일 수 있다.
Entity Coverage와 Relation Coverage는 추천의 다양성을 측정하는 새로운 지표이다.
Quotes
"Diversified RecSys has emerged as a countermeasure, placing diversity on par with accuracy and garnering noteworthy attention from academic circles and industry practitioners."
"To cope with this, we delve into the diversified RecSys under the knowledge graphs (KG) framework. Extensive literature has been published on recommender systems that incorporate KG."