The widespread of mobile devices has enabled people to use various online services, such as video streaming, shopping, and news in everyday life. Because users seek only a few items out of a myriad of items in such services, the role of a recommender system is to quickly find them out to enhance user satisfaction and help the growth of the service. However, there are three challenges in recommender systems due to the vulnerability of the standard learning scheme: low-quality training data, online update delay, and unfair recommendations after learning.This dissertation aims to resolve the three challenges of recommender systems via meta-learning, which is also known as “learning to learn.” Meta-learning can deal with the vulnerability of recommender learning by adaptively guiding its learning process after observing how the recommender learns. In this regard, this dissertation suggests meta-learning-based approaches to overcome the three challenges.The first study proposes PREMERE that performs training data reweighting to avoid learning from low-quality data. PREMERE adaptively provides a high weight on useful but sparse data, and a low weight on missing data to induce the recommender to learn only from qualified data. Through extensive experiments on three real-world benchmark recommender datasets, PREMERE proved its effectiveness, improving performance by up to 26.9% compared with state-of-the-art algorithms. The second study proposes MeLON that online updates recommender systems with up-to-date information. While current user interests change constantly, their sparse signal in the user-item domain makes recommenders difficult to catch up due to the fixed scheme of standard learning. To this end, MeLON adaptively generates learning rates between each data and model parameter considering theirmutual relationship. Extensive empirical evaluations on three real-world online service datasets validated that MeLON can continuously maintain the high performance of a recommender system during online service by virtue of its high flexibility for updates.The third study first performs data analysis to demonstrate that recommender systems are prone to over-recommend popular items especially to new users, which is undesirable for both users and item providers. Because it is fair to recommend popular items to a user according to their ratio in the user’s history, to cope with this challenge, the third study proposes ColA that expedites learning of tail-itemsadapted to each user and recommender model learning state. Experimental results on a real-world recommender system dataset confirm that ColA can achieve higher performance and improved fairness compared with state-of-the-art popularity debiasing algorithms.This dissertation is expected to enhance user satisfaction, the ultimate goal of recommender systems by effectively addressing the challenges caused by learning vulnerability.
모바일 기기의 보급으로 인하여, 사람들의 비디오 스트리밍, 쇼핑, 뉴스 등의 온라인 서비스 사용은 모두의 일상으로 자리잡았다. 온라인 서비스에서 유저들이 이용하려는 아이템은 수많은 아이템들 중 극히 일부에 해당하는데, 추천시스템이 이를 빠르고 손쉽게 찾아줌으로써 유저들의 만족도를 높이고 관련 서비스의 성장이라는 중대한 역할을 담당하고 있다. 그러나 추천시스템에는 표준 학습 방법의 취약성으로 인하여 저품질 데이터의 학습, 온라인 갱신 지체, 그리고 추천 결과의 불공정성이라는 도전과제들이 존재한다.본 연구에서는 이러한 추천시스템의 도전과제들을 “모델이 학습하는 방법을 학습하는” 메타 학습을 통하여 각각 해결하고자 한다. 메타 학습방법은 모델의 학습 과정을 관찰한 후 올바른 학습방향을 제공해주며, 이를 통해 학습 방법의 취약성으로 인해 발생하는 상기 한계들을 극복할 수 있다. 이에 따라 본 연구에서는추천시스템에의 세 가지 도전과제를 각기 해결하기 위한 메타 학습 기반의 방법론들을 제안한다.첫 번째 연구에서는 추천시스템 모델의 저품질 데이터 학습을 방지하기 위해, 학습 데이터 가중치 조정작업을 수행하는 PREMERE를 제안한다. PREMERE는 유용하지만 희박한 데이터에 대해 높게, 누락된 데이터에 대해 낮게 학습 가중치를 적응적으로 제공함으로써 모델이 올바른 방향으로 학습되도록유도한다. 실제 추천시스템 데이터 세 가지를 이용하여 수행한 광범위한 실험을 통해, PREMERE으로 추천시스템의 성능을 최신 방법론 대비 최대 26.9% 향상시킴을 경험적으로 입증하였다.두 번째 연구에서는 온라인 갱신 과정에서 추천시스템이 새로운 유저 취향을 빠르게 습득하도록 유도하는 MeLON을 제안한다. 유저들의 현재 취향은 지속적으로 변화하는 반면, 주어진 정보가 너무 희박하기 때문에 기본 학습 방법으로는 추천시스템에게 새로운 유저 취향 정보를 습득시키는데에 한계가 존재한다. 이를 극복하기 위하여 MeLON은 신규 유입 정보와 모델의 각 매개 변수 간의 관련도를 적응적으로 판단하고, 이를 추천시스템 매개 변수들에 대한 업데이트에 활용한다. 실제 온라인 서비스 추천시스템 데이터 세 가지를 이용하여 수행한 광범위한 실험을 통해, MeLON으로 추천시스템의 온라인 서비스 성능이 지속적으로높게 유지되는 것을 경험적으로 입증하였다.세 번째 연구에서는 유명한 아이템을 위주로 추천하는 인기 편향 문제가 온라인 서비스에 유입되는 신규 유저들에게 더욱 가중되어 나타난다는 점을 데이터 분석 결과를 통해 보이고, 이는 유저와 아이템 공급자 양측에 모두 바람직하지 않다는 점을 지적한다. 유명한 아이템을 각 유저의 이용 기록에서 차지하는 비율에맞게 추천해주는 것이 유저와 아이템 공급자 모두에게 공정하기 때문에, 세 번째 연구에서는 해당 목적을 달성하기 위해 인기도가 덜한 아이템에 대한 학습을 유저별로 맞춤형 가속화를 수행하는 ColA를 제안한다.실제 추천시스템 데이터를 이용한 실험에서 ColA가 최신 방법론 대비 높은 추천 성능과 개선된 공정성을 달성하는 것을 경험적으로 입증하였다.본 연구를 통해 학습 방법의 취약성으로 인해 발생하는 추천시스템에서의 도전과제들을 효과적으로 해결함으로써, 여러 온라인 서비스들에서 유저들의 만족이라는 추천시스템의 가장 궁극적인 가치를 향상시키는 데에 도움이 될 것으로 기대한다.
