[논문]Methods Comparison: Enhancing Diversity for Personalized Recommendation with Practical E-Commerce Data

Paik, Juryon

doi:10.9708/jksci.2022.27.09.059

Methods Comparison: Enhancing Diversity for Personalized Recommendation with Practical E-Commerce Data 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.27 no.9, 2022년, pp.59 - 68

Paik, Juryon (Dept. of Digital Information and Statistics, Pyeongtaek University)

초록
AI-Helper

추천시스템은 소비자를 대신하여 소비자가 선호할 만한 아이템이나 서비스를 검색하여 구매할 수 있도록 한다. 추천시스템의 추천은 사용자들이 경험하지 않은 아이템들에 대한 선호 예측이기 때문에 완전하게 맞는 답이 도출되는 것은 불가능하다. 따라서 예측에 대한 평가가 수행되어야만 비로소 추천시스템이 정확한지 아닌지를 판단할 수 있다. 그러나 사용자 선호에 대한 예측 정확성만을 높이는 추천은 오히려 사용자의 만족도를 하락시킬 수 있는데 이는 사용자의 취향만을 반영한 편중된 결과로 사용자는 다양한 아이템들로 구성된 추천 결과를 받을 수 없는 필터버블 현상이 야기되기 때문이다. 품질 측정 지표의 다각화가 필요한 이유이고 대표적으로 다양성 지표가 사용된다. 본 논문에서는 추천 결과의 다양성 증대를 위한 3가지 기본 접근방법인 bin packing, weighted random choice, greedy re-ranking을 실제 e-커머스 데이터인 패션 쇼핑몰 데이터에 적용하여 도출된 결과와 F1 score에 기반을 둔 차이를 분석한다.

Abstract ▼ AI-Helper

A recommender system covers users, searches the items or services which users will like, and let users purchase them. Because recommendations from a recommender system are predictions of users' preferences for the items which they do not purchase yet, it is rarely possible to be drawn a perfect answer. An evaluation has been conducted to determine whether a prediction is right or not. However, it can be lower user's satisfaction if a recommender system focuses on only the preferences, that is caused by a 'filter bubble effect'. The filter bubble effect is an algorithmic bias that skews or limits the information an individual user sees on the recommended list. It is the reason why multiple metrics are required to evaluate recommender systems, and a diversity metrics is mainly used for it. In this paper, we compare three different methods for enhancing diversity for personalized recommendation - bin packing, weighted random choice, greedy re-ranking - with a practical e-commerce data acquired from a fashion shopping mall. Besides, we present the difference between experimental results and F1 scores.

주제어

표/그림 (16)

그림 Fig. 1. Intra-list Diversity vs. Inter-list Diversity
그림 Fig. 2. Some User's Clicked Items' Category Distribution
그림 Fig. 3. The Way of Weighted Random Choice
그림 Fig. 4. Recommendation List by Greedy Re-ranking
그림 Fig. 5. Item Numbers on Top 25 of Category2
표 Table 1. Fashion Commerce Data's Objects
표 Table 2. Main Features
그림 Fig. 6. Session Count of Each Event Type
그림 Fig. 7. Top-20 Items from Simple Personalized Recommendation
표 Table 3. Weight Value of Each Event Type
그림 Fig. 8. Top-20 Items from Bin Packing
그림 Fig. 9. Top-20 Items 1 from Weighted Random Choice
그림 Fig. 10. Top-20 Items 2 from Weighted Random Choice
표 Table 4. Bin Size of Each Category
그림 Fig. 11. Top-20 Items from Greedy Re-Ranking
표 Table 5. Category Diversity and Scores

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 다양성 지표 개념을 정리하고 추천 결과의 다양성 증대를 위한 3가지의 기본 접근방식에 실무 데이터를 적용하여 구현 후 실행 결과의 차이를 비교한다. 본 논문의 구성은 다음과 같다.

제안 방법

우선 아이템 기반 개인화 추천 방식을 활용하여 세 종류의 다양성 증대 방식을 구현 후 결과로 얻어지는 추천목록의 차이점을 분석한다. 그 후 F1 score를 사용하여, 다양성을 반영한 추천 결과에 포함된 아이템들이 실제로 사용자의 관심을 얼마나 받았는지를 평가한다. 사용자가 구매한 아이템 유사도는 사용자 기준이 아닌 세션 기준의 df-idf 방식으로 계산하였다.
본 논문에서는 다양성 증대를 위한 기본 3가지 접근방법인 bin packing, weighted random choice, greedy re-ranking을 실제 e-커머스 데이터인 패션 쇼핑몰에 적용하여 도출되는 결과와 F1 score에 기반한 차이를 제시하였다. 이번 연구는 초개인화 추천을 위한 다양성 증가방법에 대한 시작으로 본 논문에서는 단순 방법론을 구현하여 실제 데이터에 적용하여 비교하였다.
다양성 증대 방식으로 새로운 아이템들이 추천되었을 때, 사용자가 그들 중에서 선택하는 아이템이 있을지를 예측하는 방식도 정확도를 측정하는 방법의 하나이다. 본 논문에서는 사용자가 클릭한 제품 중에서 추천목록에 있는 아이템들이 얼마나 포함되었는지를 확인하기 위해, 정밀도(precision)와 재현율(recall)을 모두 반영한 F1 score로 평가한다.
본 장에서는 2장에서 기술한 다양성 향상 방법을 실제 e-commerce 데이터에 적용하여 추천목록 결과를 비교하고자 한다. 사용된 데이터는 패스트캠퍼스 교육[14]에서 사용한 어느 유명 패션 커머스 데이터로 익명화 등 전처리가 수행되었으며 2021.
세 번째는 탐욕적 재순위 방식으로 후보 추천목록에 있는 모든 아이템의 유사도를 계산하여, 아이템 쌍에 대한 유사도 사전 생성 후 유사도 가중치와 다양성 가중치1)를 반영하여 후보 추천목록에서 아이템을 선택한다.
우선 아이템 기반 개인화 추천 방식을 활용하여 세 종류의 다양성 증대 방식을 구현 후 결과로 얻어지는 추천목록의 차이점을 분석한다. 그 후 F1 score를 사용하여, 다양성을 반영한 추천 결과에 포함된 아이템들이 실제로 사용자의 관심을 얼마나 받았는지를 평가한다.
본 논문에서는 다양성 증대를 위한 기본 3가지 접근방법인 bin packing, weighted random choice, greedy re-ranking을 실제 e-커머스 데이터인 패션 쇼핑몰에 적용하여 도출되는 결과와 F1 score에 기반한 차이를 제시하였다. 이번 연구는 초개인화 추천을 위한 다양성 증가방법에 대한 시작으로 본 논문에서는 단순 방법론을 구현하여 실제 데이터에 적용하여 비교하였다. 이는 최신 추천과 과거 추천 비중을 동일시하여 구현한 것으로 시간 흐름에 따른 사용자의 선호 변화를 반영하지 않은 것이다.

대상 데이터

본 장에서는 2장에서 기술한 다양성 향상 방법을 실제 e-commerce 데이터에 적용하여 추천목록 결과를 비교하고자 한다. 사용된 데이터는 패스트캠퍼스 교육[14]에서 사용한 어느 유명 패션 커머스 데이터로 익명화 등 전처리가 수행되었으며 2021.06.03.~2021.08.04. 기간의 자료이다.

이론/모형

그 후 F1 score를 사용하여, 다양성을 반영한 추천 결과에 포함된 아이템들이 실제로 사용자의 관심을 얼마나 받았는지를 평가한다. 사용자가 구매한 아이템 유사도는 사용자 기준이 아닌 세션 기준의 df-idf 방식으로 계산하였다. 이는 세션을 문서로 간주하고 아이템을 단어로 간주하여 아이템이 세션에 얼마나 많이 출현했는지를 반영한다.

성능/효과

자의든 타의든 언택트 소비가 급속도로 확장되었고, 장기화한 코로나19 바이러스로 온라인소비는 더욱 증가하고 있다. 범람하는 제품 및 서비스 정보를 소비자가 직접 비교하는 것은 이제는 불가능해졌고, 대신 추천시스템이 필수로 자리 잡아 소비자의 개인 정보및 온라인 행동 패턴에 기반하여 소비자 자신도 알지 못했던 취향까지 반영하여 아이템이나 서비스를 추천한다. 이러한 추천 알고리즘은 점점 선별적인 개인화된 추천 결과를 제공하기 때문에, 소비자는 자신의 취향에 갇히게 되어 편중된 결과만 받게 된다.
코로나19 바이러스(SARS-CoV-2) 팬데믹이 전 세계적으로 발생하면서 산업 대부분은 저성장을 보였지만 e-커머스 산업은 예외였다. 자의든 타의든 언택트 소비가 급속도로 확장되었고, 장기화한 코로나19 바이러스로 온라인소비는 더욱 증가하고 있다. 범람하는 제품 및 서비스 정보를 소비자가 직접 비교하는 것은 이제는 불가능해졌고, 대신 추천시스템이 필수로 자리 잡아 소비자의 개인 정보및 온라인 행동 패턴에 기반하여 소비자 자신도 알지 못했던 취향까지 반영하여 아이템이나 서비스를 추천한다.

후속연구

3장에서는 실제e-커머스 데이터를 사용한 구현 결과들과 각 결과의 차이점을 보인 후 정량지표 값인 F1 score와 도출된 결과와의 차이점을 기술한다. 마지막으로 다양성 지표에 시간 가중치 적용에 대한 필요성과 관련 연구 방향을 제시한다.
이는 최신 추천과 과거 추천 비중을 동일시하여 구현한 것으로 시간 흐름에 따른 사용자의 선호 변화를 반영하지 않은 것이다. 시간 가중치를 반영하여 다양성 증대 방법 구현 비교를 후속연구로 진행하고 있으며, 더 나아가 사용자 프로파일링 구성을 통한 추천 결과의 연관성 및 다양성 향상 방안 연구를 진행하고자 한다.

참고문헌 (16)

S. Barry, "The Paradox of Choice: Why More Is Less," Ecco Press, Revised ed., ISBN 9780062449924, 2016.
A. I. Hariad, and D. Nurjanah, "Hybrid attribute and personality based recommender system for book recommendation," 2017 International Conference on Data and Software Engineering (ICoDSE), November 2017, pp. 1-5, DOI: 10.1109/ICODSE.2017.8285874.
X. Xie, J. Lian, Z. Liu, X. Wang, F. Wu, H. Wang, and Z. Chen "Personalized Recommendation Systems: Five Hot Research Topics You Must Know," Microsoft Research Lab - Asia, November 2018.
D. Lee and K. Hosanagar, "How Do Recommender Systems Affect Sales Diversity? A Cross-Category Investigation via Randomized Field Experiment," Information Systems Research, Vol. 30, No. 1, Mar 2019, pp. 239-259, DOI: 10.1287/isre.2018.0800

상세보기
Gil Park, "Recommendation Algorithms and Hyper-Personalization," MOBIINSIDE, February 2021, https://www.mobiinside.co.kr/2021/02/01/algorithm-personalization/
J. Choi and H. J. Lee, "An Integrated Perspective of User Evaluating Personalized Recommender Systems: Performance-Driven or User-Centric," Journal of Society for e-Business Studies, Vol. 17, No. 3, 2012, pp. 85-103, DOI: 10.7838/JSEBS.2012.17.3.085.

원문보기 상세보기
M. Kim, "Evaluation Metrics for Recommender Systems," March 2021, mskim.log.
H. Park and K. Kim, "Recommender system using BERT sentiment analysis," Journal of Intelligence and Information Systems, Vol. 27, No. 2, June 2021, pp. 1-15. DOI: 10.13088/JIIS.2021.27.2.001.

원문보기 상세보기
P. Castells, N. J. Hurley, S. Vargas, "Novelty and Diversity in Recommender Systems," In: F. Ricci, F., L. Rokach, B. Shapira, (eds) Recommender Systems Handbook. Springer, 2015, pp. 881-918, DOI:10.1007/978-1-4899-7637-6_26.
M. Kaminskas and D. Bridge, "Diversity, serendipity, novelty, and coverage: A survey and empirical analysis of beyond-accuracy objectives in recommender systems," ACM Transactions on Interactive Intelligent Systems Vol.7, No.1, March 2017, pp.1-42, DOI:10.1145/2926720.

상세보기
S. Vargas and P/ Castells, "Rank and Relevance in Novelty and Diversity Metrics for Recommender Systems," Proceedings of the fifth ACM conference on Recommender systems (RecSys'11), October 2011, pp. 109-116, DOI:10.1145/2043932.2043955.
F. O. Isinkayea, Y. O. Folajimib, and B. A. Ojokohcr, "Recommendation systems: Principles, methods and evaluation," Egyptian Informatics Journal, Vol. 16, No. 3, Nov. 2015, pp. 261-273, DOI: 10.1016/j.eij.2015.06.005.

상세보기
D. Jannach and M. Jugovac, "Measuring the Business Value of Recommender Systems," ACM Transactions on Management Information Systems, Vol. 10, No. 4, December 2019, pp 1-23, DOI:10.1145/3370082.

상세보기
D. Lee, "A to Z for Implementation of a Recommender System with Practical Data," 2021, fastcampus.co.kr.
H. Na and K. Nam, "Application of diversity of recommender system according to user preference change," Journal of Intelligence and Information Systems, December 2020, Vol. 26, No. 4, pp. 67-86, DOI: 10.13088/JIIS.2020.26.4.067.

원문보기 상세보기
J. P. Kelly and D. Bridge, "Enhancing the diversity of conversational collaborative recommendations: a comparison," Artificial Intelligence Review Vol. 25, 2006, pp. 79-95, DOI:10.1007/s10462-007-9023-8.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증