추천시스템에 새로 들어온 유저에 대한 프로파일링 작업시, 질문 리스트를 어떻게 뽑는가를 최적화 문제로 해결한 논문입니다.

1. Preference Elicitation as an
Optimization Problem
- Anna Sepliarskaia, Julia
Kiseleva, Filip Radlinski, Maarten
de Rijke
+ RecSys 2018
/ 김민준
x 2020 Winter

2. Table of Contents
1. Background / Motivation
2. Approach
3. Method
4. Experiment Setup
5. Results
6. Conclusion
7. Takeaways
2

3. 1. Background & Motivation
3
Collaborative Filtering and the New User Cold Start Problem
https://heartbeat.fritz.ai/recommender-systems-with-python-part-ii-collaborative-filtering-k-nearest-neighbors-algorithm-c8dcd5fd89b2
“CF-based approaches only work well for users with
substantial information about their preferences”

4. 1. Background & Motivation
4
Approaches: Questionnaire-based Methods
Absolute PreferencesRelative (Pairwise) Preferences

5. 1. Background & Motivation
5
Approaches: Questionnaire-based Methods
Relative (Pairwise) Preferences Absolute Preferences
최근 연구의 방향*:
1. No calibration issue
2. No order bias
Saikishore Kalloori, Francesco Ricci, and Marko Tkalcic. 2016.
Amit Sharma and Baoshi Yan. 2013.

6. 6
Pairwise Preference로 영화 30쌍을 비교해야한다면..?
Pairwise Preference Questionnaires
“유저의 취향을 제일 잘 대변하는 최소 질문 셋은 어떻게 뽑나?”
Relative Preference
Questionnaire
Static Preference
Questionnaire
응답에 따라 다음 질문이
바뀌는 질문 방법
고정된 질문셋
60C2 = 1,770 쌍
2. Approach

7. 7
“개인화된 추천에 필요한 데이터를 수집할 수 있는
최적의(최소) 질문 리스트를 뽑을것인가?”
Static Preference Questionnaire (SPQ)
“How to optimally generate a preference questionnaire, consisting of relative
questions, for new users that will help to solve the new user cold-start problem?”
2. Approach

8. 8
Latent Factor Model
유저 n
아이템 m
1 0 1 1 … 1
0 1
1 0 0 1 … 1
1 1
0 0 1 0 … 0
0 1
…
이러한 rating matrix 가 있을 때에, 새로운 rating 들은…?
2. Approach

9. 9
새로운 아이템 i 에 대한 유저 u 의 rating =
global bias
+
아이템 i 의 latent factor bias
+
유저 u 의 latent factor bias
+
아이템 i 의 latent factor vector * 유저 u 의 latent factor vector
+
small random noise
Latent Factor Model
2. Approach

10. 10
user bias = 유저의 rating 습관/패턴
item bias = item의 인기도
Latent Factor Model
2. Approach

11. 11
latent vector 의 차원 = 아이템의 특징
유저가 특정 아이템의 특징을 좋아한다 = 해당 차원의 값이 높다
아이템이(vi) 유저의 취향과(vu) 일치 할수록 의 값이 커진다
Latent Factor Model
즉,
1. SPQ 질문 리스트의 user rating 을 통해
2. 를 통해 모든 아이템의 rating 을 예측
계산
2. Approach

12. 12
3. Method
Making the SPQ — Linear Independence
Linear Independence Linear Dependence

13. 13
3. Method
Making the SPQ — Linear Independence
Linear Independence Linear Dependence
벡터 공간의 “소수"라고 이해해주세요

14. 14
3. Method
Making the SPQ — Linear Independence
Static Preference Questionnaire는
“소수” 질문들(벡터들) 의 집합이다

15. 데이터
10,000,000 ratings
89,169 users
11,785 movies
3,200,000 ratings
33,000 users
30,000 books
클리닝
별 4개 이상: + rating
그 이하: - rating
리뷰 작성 + 책구매 + 읽음: + rating
유저가 읽지 않은 책: - rating
(+ rating # = - rating #)
스크리닝 기준
1. 최소 5명이 리뷰한 영화
2. +/- 비율이 +3 이상
3. 유저의 +/- rating 비율이 +3 이상
1. 가장 인기 있는 30,000개의 책
2. 20 ~ 1000개를 리뷰한 유저
15
4. Experiment Setup
Datasets

16. 16
4. Experiment Setup
Evaluation
Real Data Validation
Simulated Data Validation
SPQ vs.
X
Bandits [1]
Pair-Wise Decision Trees [2]
Forward Greedy [3]
Random Baseline
[1] Konstantina Christakopoulou,Filip Radlinski, and Katja Hofmann. 2016. Towards conversational recommender systems.
[2] Lior Rokach and Slava Kisilevich. 2012. Initial profile generation in recommender systems using pairwise comparison.
[3] Oren Anava, et al. 2015. Budget-constrained item cold-start handling in collaborative filtering recommenders via optimal design.

17. 17
Results — Movielens Dataset
5. Results

18. 18
5. Results
Results — Amazon Books Dataset

19. 19
6. Conclusion & Takeaways
Conclusion
1) 유저에게 부담이 덜가는 상대평가 방법으로
2) 고정된 Questionnaire를 뽑는
3) 최적화 방식을 제안
두 개의 도메인에서 이론적, 현실적으로 검증

20. 20
6. Conclusion & Takeaways
Takeaways
취향수집기의 “질문 뽑기” 고민
1. 문항 선정의 고민은 헛된(?) 것.
일단 많이 수집을 해야 분석이 가능
2. 수집 이후의 분석을 통해 문항의 중요도
파악이 가능.
3. 취향 데이터의 벡터화는 또 다른 고민