E-Commerce 데이터를 활용한 개인화 추천 다양성 증대 방법 비교
Methods Comparison: Enhancing Diversity for Personalized Recommendation with Practical E-Commerce Data
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
추천시스템은 소비자를 대신하여 소비자가 선호할 만한 아이템이나 서비스를 검색하여 구매할수 있도록 한다. 추천시스템의 추천은 사용자들이 경험하지 않은 아이템들에 대한 선호 예측이기때문에 완전하게 맞는 답이 도출되는 것은 불가능하다. 따라서 예측에 대한 평가가 수행되어야만비로소 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 지표가사용된다. 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
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.
참고문헌 (16)
- S. Barry, "The Paradox of Choice: Why More Is Less" (2016), Ecco Press
- A. I. Hariad, "Hybrid attribute and personality based recommender system for book recommendation", 2017International Conference on Data and Software Engineering (ICoDSE), pp.1~5 (2017)
- Personalized Recommendation Systems: Five Hot Research Topics You Must Know, "X. Xie", Microsoft Research Lab - Asia, ~ (2018)
- D. Lee, "How Do Recommender Systems Affect Sales Diversity? A Cross-Category Investigation via Randomized Field Experiment", Information Systems Research, 30(1), pp.239~259 (2019)[DOI]
- "Recommendation Algorithms and Hyper-Personalization" (2021)[URL]
- 최재원, "개인화 추천시스템의 사용자 평가에 대한 통합적 접근 : 시스템 성과와 사용자 태도를 기반으로", 한국전자거래학회지, 17(3), pp.85~103 (2012), 한국전자거래학회[DOI]
- 박호연, "BERT 기반 감성분석을 이용한 추천시스템", 지능정보연구, 27(2), pp.1~15 (2021), 한국지능정보시스템학회
- P. Castells, "Recommender Systems Handbook", pp.881~918 (2015), Springer
- M. Kaminskas, "Diversity, serendipity, novelty, and coverage: A survey and empirical analysis of beyond-accuracy objectives in recommender systems", ACM Transactions on Interactive Intelligent Systems, 7(1), pp.1~42 (2017)[DOI]
- S. Vargas, "Rank and Relevance in Novelty and Diversity Metrics for Recommender Systems", Proceedings of the fifth ACM conference on Recommender systems (RecSys’11), pp.109~116 (2011)
- F. O. Isinkayea, "Recommendation systems: Principles, methods and evaluation", Egyptian Informatics Journal, 16(3), pp.261~273 (2015)[DOI]
- D. Jannach, "Measuring the Business Value of Recommender Systems", ACM Transactions on Management Information Systems, 10(4), pp.1~23 (2019)[DOI]
- 나혜연, "사용자 선호도 변화에 따른 추천시스템의 다양성 적용", 지능정보연구, 26(4), pp.67~86 (2020), 한국지능정보시스템학회
- J. P. Kelly, "Enhancing the diversity of conversational collaborative recommendations: a comparison", Artificial Intelligence Review, 25, pp.79~95 (2006)[DOI]