Design & Analysis on Recommender System Based on Online Trust Cluster

Abstract

현대 사회에서 정보의 홍수에 직면함에 따라 사용자에게 맞춤형 아이템을 추천하는 추천 시스템 (RS)의 중요성이 증가하고 있다. 기존 추천 시스템은 사용자가 선호하는 아이템을 식별하기 위해 사용자의 이전 아이템 구매 이력을 사용했다. 하지만 현재 추천 시스템은 새로운 사용자나 아이템이 시스템에 등장 했을 때, 즉 콜드스타트 문제로 인해 유저의 아이템에 대한 점수 예측 성능이 떨어지는 문제가 있다. 앞선 문제를 해결하기 위해 사용자들 간 네트워크를 접목하고 소셜 네트워크 특성 중 하나인 동종 선호 (homophily)를 추천 시스템에 접목시킨 소셜 추천 시스템이 제안되었다. 소셜 추천 시스템은 아이템 리뷰 사이트에서 트위터의 follower-followee와 같은 trustor-trustee 관계 정보를 기존의 유저-아이템-점수 매트릭스와 함께 사용하여 소셜 관계에 있는 사용자들의 속성을 유사하게 만든다. 하지만 trustor-trustee는 친구 관계와 같은 상호적 관계가 아니라 일반인-전문가 와 같은 방향성이 있는 관계이다. 따라서 두 관계에 있는 사용자들을 동등하게 보는 것은 trustee의 속성을 학습하는 입장에서 악영향을 미칠 수 있다.

우리는 같은 trustee를 따르는 trustor 들이 서로 유사한 특징을 가지고 있다고 가정하고 공통의 trustee에 대한 trustor의 집합을 trust cluster로 정의한다. 그리고 같은 trust cluster에 있는 사용자들 간 속성을 공유할 수 있도록 새로운 S 매트릭스를 제안하고 이를 추천 시스템에 적용한 2가지 알고리즘을 제시한다. 실제 데이터 셋을 사용하여 아이템 예측 성능 평가를 통해 제안한 방법이 기존 소셜 추천 시스템보다 정확할 뿐 아니라 잠재적 확장 가능성을 보였다. 또한 우리는 trust cluster를 분석하여 trust cluster가 아이템 예측 성능에 미치는 영향에 대해 확인하였다.

As we face a deluge of information in the modern world, the importance of recommender systems (RSs) that recommend relevant items to users has increased. The majority of existing RS schemes observe the prior ratings history of consumers to identify preferred items. However, current RSs suffer from the cold start problem, and their performance is dismal when new users or items appear. In order to address the above problems, a social RSs have been proposed that incorporate the homophily effect of the social network user's into existing RS. The Social RSs exploit the trust relationship (trustor-trustee), such as Twitter's follower-followee, with the existing user-item-rating matrix to generate the latent feature of the users in the trust relationship similar. However, the trustor-trustee is not a mutual relationship such as a friend relationship, but a relationship that has a direction like ordinary user-expert. In general, since the social RSs operate based on matrix factorization, irrelevant trustors latent feature can affect the trustee's one when optimizing the social RS model.

We assume that trustors who follow the same trustee have similar characteristics and define a set of trustors for a common trustee as trust clusters. We propose a new latent feature matrix S to share the property between users in the trust cluster and develop two novel RS algorithms that learn these latent features. We conduct an extensive performance evaluation using large-scale real-world datasets and observe that our proposed methods are not only more accurate than existing schemes but also show potential extensibility. Moreover, we analyze the trust clusters and verify the effect of the trust cluster on the item prediction performance.