정교하게 추출한 사용자 및 아이템 특성을 이용한 리뷰 기반 추천 시스템 (Learning accurate user and item feature representation for review-based recommender systems)

서지정보

· 발행기관 : 한국지능정보시스템학회
· 수록지 정보 : 지능정보연구 / 30권 / 3호 / 161 ~ 184페이지
· 저자명 : 김려, 박선우, 김지현, 이흠철, 김재경

초록

온라인 플랫폼의 발전과 함께 사용자 선호도를 파악하여 개인화된 추천 서비스를 제공해주는 추천 시스템이 주목받고 있다. 온라인 리뷰는 사용자 선호도를 분석하기 위한 중요한 정보 소스로서 이를 활용한 다양한 추천 시스템 연구가 제안 되었다. 많은 선행 연구를 통해 리뷰 텍스트에 내제된 의미론적 정보가 아이템에 대한 사용자 선호도 특성을 깊이 이해하 여 추천 성능을 향상시킬 수 있음이 증명되었다. 이러한 대부분의 연구는 사용자와 아이템 특성을 모두 리뷰 집합의 관점 으로 추출하였다. 그러나 사용자 리뷰 집합에는 타겟 아이템과 관련이 없는 리뷰도 함께 존재하기에 타겟 아이템에 대한 사용자의 명확한 선호도 파악이 어려워진다. 또한, 온라인 플랫폼에서는 아이템 특성을 잘 나타낼 수 있는 아이템 설명 등의 풍부한 보조 정보도 제공되지만, 이를 효과적으로 모델에 통합시키지 못하였다는 한계점도 존재한다. 이에 본 연구는 사용자 개별 리뷰를 사용하고 아이템 리뷰 집합과 아이템 설명을 통합함으로써 사용자 선호도 및 아이템 특성을 정확하게 파악하는 추천 모델을 제안한다. 또한, 아이템 리뷰 집합과 아이템 설명을 통합함에 있어 Cross-attention Mechanism을 도입 하여 보다 효율적인 특성 간 융합이 이뤄지게 한다. 모델 성능 평가를 위해 Amazon.com의 리뷰 데이터 및 메타 데이터를 사용해 다양한 벤치마크 모델들과 비교하였다. 실험 결과, 제안된 NENF(Neural Extraction Network for User-Item Features) 가 다른 벤치마크 모델에 비해 우수한 성능을 보였음을 확인했으며, 이는 제안 모델이 사용자 및 아이템의 정교한 특성 표현이 가능해지게 하여 추천 성능을 개선하였음을 시사한다.

영어초록

With the development of the online platform, the recommender system has been getting extensive attention due to its ability to provide personalized recommendation services by identifying user preferences. Online reviews serve as an essential information source for analyzing user preferences and have been widely utilized in previous studies. Specifically, these studies improved recommendation performance by deeply understanding the features of user preferences for items from the perspective of user and item reviews. However, user reviews often include content unrelated to the target item, making it challenging to capture explicit preferences. Additionally, despite online platforms providing rich auxiliary information, such as item descriptions that can indicate item features, this information has not been effectively integrated into previous studies. Therefore, this study aims to propose a recommender system that utilizes individual user review for the target item and integrates item reviews and descriptions to identify user preferences accurately. Furthermore, this study introduced the Cross-attention Mechanism to facilitate effective feature fusion. To evaluate the recommendation performance, this study uses real-world reviews collected from Amazon.com. The experimental results showed the proposed model outperforms benchmarks by enabling sophisticated interactions between users and items. Proposed model can increase sales and improve user satisfaction in e-commerce by providing accurate personalized recommendation.

참고자료

· 없음