Modeling Bundle Recommendation with Personalized Pattern Analysis

Abstract

Recommender systems aim to suggest a selection of relevant products from the plethora of ones to users. In recent years, these systems have been indispensable techniques in various online services, primarily because they alleviate the problem of information overload. Among various types of recommender systems, bundle recommender systems, which recommend sets of items instead of individual ones, have been gaining attention due to their advantage of providing customers with a convenient one-stop shopping experience. However, it is challenging to devise effective bundle recommender systems primarily due to the need for effectively managing the configuration of bundles and analyzing personalized patterns in user-bundle interactions which encompass more complex information than user-item interactions. In this thesis, we concentrate on modeling bundle recommendation by effectively handling personalized patterns of users. We divide our objectives for bundle recommendation into two desired performance areas, high accuracy and high aggregate diversity. To achieve these goals, we first devise an accurate method of bundle matching and generation, followed by the development of a method for aggregate diversification of bundle recommendation. Extensive experiments on various bundle recommendation datasets demonstrate that our approaches significantly outperform existing methods in two critical tasks: accurate bundle recommendation and aggregately diversified bundle recommendation. In terms of accurate bundle recommendation, our approach achieves up to 6.6% higher accuracy and 6.3× higher accuracy in bundle matching and bundle generation, respectively, compared to the best competitors. For the task of aggregately diversified bundle recommendation, our approach achieves up to 3.92× higher aggregate diversity with a comparable accuracy compared to the best competitor.

추천 시스템은 수많은 제품 중에서 사용자에게 관련된 일부 제품을 제공하는 것을 목표로 한다. 이러한 추천 시스템은 정보 과부하 문제를 완화시켜주기 때문에 최근에는 각종 온라인 서비스에서 없어서는 안 될 기술이다. 다양한 추천 시스템 중 개별 상품이 아닌 상품의 묶음을 추천하는 것을 목표로 하는 묶음 상품 추천 시스템은 고객이 필요로 하는 아이템을 한 번에 편리하게 제공할 수 있다는 장점 때문에 주목받고 있다. 그러나 효과적인 묶음 상품 추천 시스템을 고안하는 것은 묶음 상품의 구성을 효과적으로 처리하고 사용자와 개별 상품의 상호 작용보다 더 복잡한 사용자와 묶음 상품의 상호 작용에서 개인화된 패턴을 분석해야 하므로 매우 어려운 일이다. 본 학위 논문에서는 개인화된 사용자 패턴을 처리하여 묶음 상품 추천을 효과적으로 모델링 하는데 집중한다. 본 논문에서는 묶음 상품 추천을 높은 정확도 및 높은 집계 다양성 달성이라는 두 가지 목표 성능 관점으로 분류한다. 목표를 달성하기 위해 먼저 정확한 묶음 상품 배정 및 생성 방법을 고안하고, 그 후 종합적으로 다양한 묶음 상품 추천 방법을 개발한다. 다양한 묶음 상품 추천 데이터에 대한 광범위한 실험을 통해 본 논문에서 제시하는 방식이 정확한 묶음 상품 추천 및 종합적으로 다양한 묶음 상품 추천에서 기존 접근 방식과 비교하여 더 우수한 성능을 달성하는 것을 보인다. 본 논문의 접근 방식은 가장 우수한 경쟁 기법에 비해 묶음 상품 배정 및 묶음 상품 생성에서 각각 최대 6.6% 더 높은 정확도와 6.3배 더 높은 정확도를 달성한다. 또한 본 논문의 접근 방식은 가장 우수한 경쟁 기법에 비해 비슷한 정확도로 최대 3.92배 더 높은 집계 다양성을 달성한다.