The KIPS Transactions:PartD (정보처리학회논문지D)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Building Error-Reflected Models for Collaborative Filtering Recommender System

협업적 여과 추천 시스템을 위한 에러반영 모델 구축

  • 김흥남 (인하대학교 BK21 정보기술사업단) ;
  • 조근식 (인하대학교 컴퓨터정보공학과)
  • Published : 2009.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

Collaborative Filtering (CF), one of the most successful technologies among recommender systems, is a system assisting users in easily finding the useful information. However, despite its success and popularity, CF encounters a serious limitation with quality evaluation, called cold start problems. To alleviate this limitation, in this paper, we propose a unique method of building models derived from explicit ratings and applying the models to CF recommender systems. The proposed method is divided into two phases, an offline phase and an online phase. First, the offline phase is a building pre-computed model phase in which most of tasks can be conducted. Second, the online phase is either a prediction or recommendation phase in which the models are used. In a model building phase, we first determine a priori predicted rating and subsequently identify prediction errors for each user. From this error information, an error-reflected model is constructed. The error-reflected model, which is reflected average prior prediction errors of user neighbors and item neighbors, can make accurate predictions in the situation where users or items have few opinions; this is known as the cold start problems. In addition, in order to reduce the re-building tasks, the error-reflected model is designed such that the model is updated effectively and users'new opinions are reflected incrementally, even when users present a new rating feedback.

협업적 여과는 추천 시스템을 구축하는데 가장 널리 보급된 정보 여과 기법으로 사용자 각 개인의 관심에 적합한 정보 및 아이템을 추천함으로써 사용자들의 의사 결정에 도움을 준다. 그러나, 협업적 여과 기법은 우수한 추천 성능에도 불구하고 초기 진입 문제와 같은 대표적인 한계를 가지고 있다. 본 논문에서는 초기 진입 문제의 한계점을 보완하기 위해 새로운 모델 구축 방법과 구축된 모델들을 적용한 효율적인 협업적 추천 시스템을 제안한다. 제안된 협업적 여과 방법은 크게 2단계로 나뉘어질 수 있다. 첫 번째는 사전에 미리 사용자들이 선호 평가한 아이템에 대한 선호도 예측 에러 정보를 반영하여 모델을 구축하는 과정으로 대부분의 작업이 오프라인에서 수행된다. 두 번째는 미리 구축된 모델들을 적용하여 온라인에서 사용자에게 적합한 개인화된 아이템 추천 및 예측을 하는 과정이다. 사전에 측정된 에러 정보를 반영한 모델은 목적 사용자와 유사한 사용자 및 목적아이템과 유사한 아이템의 사전 평균 예측 에러를 활용하는 에러반영 모델로써 초기 진입 문제를 보완하면서 선호도 예측의 성능을 높이기 위한 모델이다. 또한 모델 기반의 협업적 여과의 단점인 재구축 비용을 감소시키고 사용자들의 새로운 선호도 피드백 정보에 대하여 계속적으로 반영 가능하게 하기 위해 점진적으로 새로운 정보를 갱신할 수 있는 구축 방법을 제안한다.

Keywords

References

  1. Breese, J. S., Heckerman, D., and Kadie, C., 'Empirical Analysis of Predictive Algorithms for Collaborative Filtering,' Proceedings of the 14th Annual Conference on Uncertainty in Artificial Intelligence, pp.43-52, 1998
  2. Das A., Mayur Datar, M., Garg, A., and Rajaram, S., 'Google News Personalization: Scalable Online Collaborative Filtering,' Proceedings of the 16th International World Wide Web Conference, pp.271-280, 2007 https://doi.org/10.1145/1242572.1242610
  3. Deshpande, M. and Karypis, G., 'Item-based Top-N Recommendation Algorithms,' ACM Transactions on Information Systems, Vol.22, pp.143-177, 2004 https://doi.org/10.1145/963770.963776
  4. Herlocker, J. L., Konstan, J. A., and Riedl, J., 'Explaining Collaborative Filtering Recommendations,' Proceedings of the 2000 ACM Conference on Computer Supported Cooperative Work, pp.241-250, 2000 https://doi.org/10.1145/358916.358995
  5. Herlocker, J. L., Konstan, J. A., Terveen, L. G., and Riedl, J. T., 'Evaluating Collaborative Filtering Recommender Systems,' ACM Transactions on Information Systems, Vol.22, ACM Press, pp.5-53, 2004 https://doi.org/10.1145/963770.963772
  6. Herlocker, J.L., Konstan, J.A., Borchers, A., and Riedl, J., 'An Algorithmic Framework for Performing Collaborative Filtering,' Proceedings of the 22nd ACM SIGIR Conference on Research and Development in Information Retrieval, pp.230-237, 1999 https://doi.org/10.1145/312624.312682
  7. Hofmann, T., 'Latent Semantic Models for Collaborative Filtering,' ACM Transactions on Information Systems, Vol.22, pp. 89-115, 2004 https://doi.org/10.1145/963770.963774
  8. Jin, R. Si, L. and Zhai, C., 'A Study of Mixture Models for Collaborative Filtering,' Journal of Information Retrieval, Vol.9, pp.357-382, 2006 https://doi.org/10.1007/s10791-006-4651-1
  9. Konstan, J. A., Miller, B. N., Maltz, D., Herlocker, J. L., Gordon, L. R., and Riedl, J., 'GroupLens: Applying Collaborative Filtering to Usenet News,' Communications of the ACM, Vol.40, pp.77-87, 1997 https://doi.org/10.1145/245108.245126
  10. Linden, G., Smith, B., and York, J., 'Amazon.com Recommendations: Item-to-Item Collaborative Filtering,' IEEE Internet Computing, Vol.7, pp.210-217, 2003 https://doi.org/10.1109/MIC.2003.1167344
  11. Manouselis, N. and Costopoulou, C., 'Analysis and Classification of Multi-Criteria Recommender Systems,' World Wide Web, Vol.10, pp.451-441, 2007 https://doi.org/10.1007/s11280-007-0019-8
  12. Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., and Riedl, J., 'GroupLens: An Open Architecture for Collaborative Filtering of Netnews,' Proceedings of the ACM Conference on Computer Supported Cooperative Work, pp.175-186, 1994 https://doi.org/10.1145/192844.192905
  13. Sarwar, B., Karypis, G., Konstan, J., and Reidl, J., 'Item-based Collaborative Filtering Recommendation Algorithms,' Proceedings of the 10th International World Wide Web Conference, ACM Press, pp.285-295, 2001 https://doi.org/10.1145/371920.372071
  14. Sarwar, B., Karypis, G., Konstan, J., and Riedl, J., 'Analysis of Recommendation Algorithms for E-Commerce,' Proceedings of ACM Conference on Electronic Commerce, pp.158-167, 2000 https://doi.org/10.1145/352871.352887
  15. Schein, A. I., Popescul, A., and Ungar, L. H., 'Methods and Metrics for Cold-Start Recommendations,' Proceedings of the 25th International ACM Conference on Research and Development in Information Retrieval, pp.253-260, 2002 https://doi.org/10.1145/564376.564421
  16. Shardanand, U. and Maes, P., 'Social Information Filtering: Algorithms for Automating Word of Mouth,' Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, pp.210-217, 1995 https://doi.org/10.1145/223904.223931