Core Concepts
사용자 프로필에 선별적으로 상호작용을 추가 및 제거하는 사용자 중심 전처리 기법을 통해 추천 다양성을 높이면서도 추천 성능을 유지할 수 있다.
Abstract
이 논문은 개인화 추천 시스템의 다양성을 높이는 새로운 접근법을 소개한다. 저자들은 사용자 프로필에 선별적으로 상호작용을 추가하거나 제거하는 사용자 중심 전처리 기법을 제안한다. 이를 통해 추천의 다양성을 높이면서도 추천 성능을 유지할 수 있다.
제안된 접근법에는 두 가지 변형이 있다:
한 단계 전처리: 사용자 프로필에 상호작용을 추가하는 방식
두 단계 전처리: 상호작용을 추가하고 제거하는 방식
이 접근법은 추천 시스템 아키텍처에 유연하게 통합될 수 있다. 실험 결과, 전처리된 데이터로 학습한 추천 시스템이 원본 데이터로 학습한 시스템과 비교해 성능이 유사하거나 더 나은 것으로 나타났다. 또한 다양성 지표 측면에서도 개선된 결과를 보였으며, 소수 카테고리에 대한 노출 형평성도 향상되었다.
Stats
추천 시스템의 정확도 지표인 MRR과 nDCG가 원본 데이터 대비 유사하거나 향상되었다.
다양성 지표인 KL 발산과 Jensen-Shannon 발산이 개선되었다.
항목 커버리지와 지니 계수 등 다양성 지표에서 혼합된 결과를 보였다.
공정성 지표인 fair-nDCG가 향상되어 소수 카테고리에 대한 노출이 개선되었다.
Quotes
"사용자 프로필은 사용자의 선호도, 능력, 특성을 인코딩하는 풍부한 정보를 담고 있다. 따라서 사용자 프로필을 직접 수정하는 것이 정확도를 유지하면서도 다양성을 높일 수 있는 접근법이다."
"전처리 접근법은 다양성, 공정성, 프라이버시 등 정확도 이외의 요소에서 좋은 결과를 보였다."