CaseBased Recommendation Barry Smyth Casebased Reasoning Casebased Recommendation
Case-Based Recommendation Barry Smyth 발표: 박충현
Case-based Reasoning • Case-based Recommendation의 원형 과거의 problem solving experience에 대한 데이터베이스 (case base) 기반 정해진 규칙 등 Problem solving knowledge는 사용하지 않음 Case : specification(problem) + solution 새로운 문제 해결 방식 Spec이 target problem과 비슷한 케이스 검색 해당 케이스의 해결책을 target 상황에 적용 Ex) CLAVIER IDS Lab.
Case-based Recommendation • Case-based Recommendation 방식 Items: cases 추천: 사용자의 query/profile과 가장 유사한 케이스 검색 • 다른 content-based Recommendation와의 차이 물품 표현, 유사도 계산 방식 IDS Lab.
Case Representation • 일반적인 content-based: 구조화되지 않았거나, 구조가 완전하지 않은 형 태로 표현 Ex) News. Dude: keyword-based content analysis on text-based news stories • Case-based: item content를 구조에 맞춰 표현 잘 정의된 feature 및 feature value 집합 다양한 형태의 feature 사용 가능 IDS Lab.
Similarity Assessment • Traditional content-based: keyword-based similarity 물품 관련 text와 query의 단어중 겹치는 단어의 출현 빈도 Stonewalling 발생 가능 “$1000 6 mega-pixel DSLR” vs. “$900 6. 2 mega-pixel digital SLR” • Case-based: 더 복잡하고 구조화된 계산 방식 사용 서로 다른 feature들의 유사도: Weighted sum (t: target query, c: candidate case) 단일 feature 유사도 No bias in preference: symmetric similarity Biased preference: IDS Lab.
Similarity Assessment • non-numeric feature의 유사도 추가적인 domain knowledge 활용 Ex) ontology • 유사도 관련 지식 수집 초기 아이디어: 사람이 직접, 비용 부담 자동으로 feature weight 학습 Knowledge-poor weight learning(Wettschereck, Aha) Ordering retrieval set (Stahl) IDS Lab.
Similarity vs. Diversity • Alternative approach (Shimazu) 특정 query q에 대한 3개의 추천 c 1, c 2, c 3 c 1 : q와 가장 비슷한 추천 c 2 : q와 가장 유사도가 낮은 추천 c 3 : c 1, c 2와의 유사도가 가장 낮은 추천 모든 추천 case가 query와 충분히 유사해야 성능 확보 • Similarity layers Cases ranked by similarity Layer로 case 나눔 유사도 높은 순서대로 선택 선택된 층 중 가장 낮은 층에서 고르는 기준: optimal diversity maximizing algorithm Bounded greedy algorithm보다 diversity 증가량이 낮음 IDS Lab.
Similarity vs. Diversity • 직접적으로 diversity 상승을 목표로 하지 않아도 diversity 증가 가능 • Order-based retrieval 사용자의 query으로 ordering relation 구성 이 relation을 case base에 적용해 top k item 반환 유사도만 사용한 top k item보다 diversity 높음 • Compromise-driven approach Idea: 가장 유사한 case는 사용자가 받아들일 수 있는 타협점들을 표현하지 못한다 적합한 case는 다른 case보다 query와 유사하고, 비교 대상 case에 포함된 타협점들을 포함한다 Better (usually more diverse) set of recommendations 항상 가능한 모든 case를 포함한다. IDS Lab.
Navigation by Proposing • 대안적인 추천 set 제시, 사용자의 피드백 요청 단순 선호, 점수 등 • 피드백 분류 • Rating-based feedback 사용자가 명시적인 점수 매김 collaborative filtering에서 주로 사용 • Critique-based feedback 특정 feature 제한 • Preference-based feedback 다른 item에 비해 특정 item을 선호 IDS Lab.
Comparison-based recommendation • preference-based feedback 방식의 단점 개선 preference-based feedback에 따라 query 수정 • Methods 선호된 case를 새 query로 하고, k개의 case 검색: 낮은 성능 선호된 case의 feature 중 다른 모든 거부된 case들에 없는 feature만 이용 시스템의 confidence에 따라 feature 가중치 부여 Confidence 기준: 가능한 대안의 개수, … IDS Lab.
Personalization • Short-term needs + Long-term preferences 추천의 질적 개선 더 적은 피드백으로도 long-term preference를 통해 효과적인 추천 가능 • Weak personalization 기존 recommender systems in-session personalization only • Strong personalization Personalized recommender 지속적인 사용자 프로필이 in-session 피드백을 보충 IDS Lab.
Case-based Profiling • 사용자 프로필 = cases + 각 case에 대한 사용자의 선호도 Collaborative Filtering의 profile과 달리, item에 대한 정보도 profile에 포함 • Ex) CASPER 추천에 대한 사용자들의 반응 감시 추천 과정: Query와의 유사성에 따라 추천 품목 생성 사용자 프로필의 선호도를 이용, 순위 조정 • More direct approach: Profiling feature preference Interpret user actions as preferences for item/attribute/values Ex) Adaptive Place Advisor Accepting recommendation: preference for item + attributes and values Rejecting recommendation: rejecting item only IDS Lab.
Case-based Profiling • 더 직접적인 방식: Profiling feature preference 사용자의 행동을 item/attribute/value에 대한 선호도 표현으로 해석 Ex) Adaptive Place Advisor Accepting recommendation: preference for item + attributes and values Rejecting recommendation: rejecting item only IDS Lab.
Conclusion • Case-based Recommendation Content-based Recommendation + Structured Features • Feature 구조를 활용해 추천 개선 유사도 계산 Diversity 고려 • Conversational recommender system 한 번 추천한 이후, 사용자의 피드백에 따라 추천 개선 직접 질문 / 대안을 제시하고 대안에 대한 의견 묻기 • Personalization 사용자 프로필 작성, 장기적인 선호 조사 Case-based Profile: 사용자 프로필 구성에 item 정보도 활용 IDS Lab.
- Slides: 22