There are usually more than one criterion considered when users choose an item. Although there have been studies of multi-criteria recommendations, existing approaches require multi-criteria ratings that are explicitly given by users. It is usually a burden for a user to provide more than one instance of feedback on an item; therefore, user feedback datasets are usually sparse when users are asked to provide multi-criteria ratings. Due to the sparsity of multi-criteria rating data, the similarity measurements used by the existing approaches may produce biased results, possi-bly leading to degradation of the recommendation accuracy. This problem becomes worse as the sparsity of a dataset increases. To overcome this problem and take advantage of using multi-criteria ratings, we proposed a multi-criteria matrix localization and integration (MCMLI) ap-proach for collaborative filtering in this paper. The main goal of MCMLI is to alleviate the ef-fects of the data-sparsity problem by generating and integrating cohesive user-item sub-groups (CUISs) for each criterion. The proposed approach is composed of three phases. At the first phase, a given user-item matrix is divided into a set of CUIS matrices, each of which is orga-nized with correlated users and items for each criterion. MCMLI repeats this CUIS generation process until the generated sub-groups cover all elements of the given user-item matrix. To gen-erate prediction results for each criterion, MCMLI then predicts user ratings on new items for each CUIS and aggregates the prediction results to make recommendations to users. To enable personalized recommendations, during the aggregation process, each user’s preferences on mul-tiple criteria are weighted differently according to the number of CUISs to which the user be-longs. We demonstrate the effectiveness of our approach by conducting an experiment with real-world datasets from TripAdvisor and Yahoo! Movies. The experimental results show that MCMLI outperforms existing multi-criteria collaborative-filtering-based recommendation meth-ods in terms of the recommendation accuracy. In addition, unlike the existing multi-criteria rec-ommendation approaches, even when the sparsity level of a dataset increases, the recommenda-tion accuracy of MCMLI does not de-crease significantly.
사용자가 아이템을 선택할 때는 보통 하나 이상의 요소들을 복합적으로 고려한다. 이와 관련하여 다중 기준 추천 방법에 대한 연구들이 활발히 진행되었지만, 기존 연구들 모두 사용자들에 의해 모든 평가항목들의 값이 채워져 있어야 한다는 가정을 하고 있다. 그러나 사용자들이 하나 이상의 평가항목들에 수치화 된 값을 피드백 정보로 제공하는 것은 상당한 부담이며 이에 따라 보통의 사용자-아이템 행렬에는 희박한 비율의 정보만이 채워져 있는 데이터 희소성 문제가 나타난다. 다중 기준 기반 사용자-아이템 행렬의 데이터 희소성 문제로 인하여, 기존 방법들은 왜곡된 사용자 간의 유사도 측정에 따라 추천 정확도의 성능이 저하되는 문제가 있다. 이러한 추천 정확도 성능의 저하 문제는 주어진 사용자-아이템 행렬의 데이터 희소성이 증가함에 따라 더욱 심해지는 결과를 보인다. 이와 같은 다중 기준 추천 방법에서 데이터 희소성 문제를 극복하고 다중 기준 평가항목 기반 데이터의 장점을 살리기 위해 우리는 본 눈문에서 다중 기준 행렬 지역화 및 취합 방법(Multi-Criteria Matrix Localization and Integration, MCMLI)을 제안한다. MCMLI의 주요 목적은 각 항목별로 관련성이 높은 사용자-아이템 서브 그룹(Cohesive User-Item Sub-group, CUIS)을 생성하고 취합하는 방식으로 기존 데이터 희소성 문제를 완화하여 추천 정확도의 성능 저하를 경감시키는 것이다. 본 논문에서 제안하는 MCMLI는 다음과 같이3 단계로 구성되어 있다. 첫 번째 단계에서는 주어진 사용자-아이템 행렬은 각 항목별로 관련성이 높은 사용자-아이템으로 구성된 CUIS 행렬들로 나누어진다. MCMLI는 주어진 사용자-아이템 행렬의 모든 사용자 및 아이템들이 하나 이상의 CUIS 행렬에 포함될 때까지 해당 작업을 반복한다. 두 번째 단계에 MCMLI는 생성된 CUIS 행렬 각각 행렬 완성(Matrix Completion) 과정을 통해 비어있는 요소들의 값을 예측하여 채우고 각 항목별로 CUIS 행렬을 취합한다. 이 때 하나 이상의 CUIS 행렬에 의해 영향을 받는 요소들에 대해서는 각각의 CUIS 행렬과의 거리를 기준으로 가중치를 부여하여 예측된 값을 취합한다. 마지막으로 각 항목별로 취합된 CUIS 행렬들을 각 사용자의 항목별 선호도를 측정하여 취합한다. 이를 위해 계층 분석 과정(Analytic Hierarchical Process)을 사용하여 각 항목별로 생성된 전체 CUIS 행렬 개수 대비 각 사용자들이 포함된 CUIS 행렬의 개수를 초기값으로 하여 개인화된 항목별 선호도를 측정한다. 본 논문에서 제안하는 MCMLI의 효율성을 증명하기 위해서 실제 데이터 집합인 TripAdvisor와 Yahoo! Movies 데이터 집합을 사용한 추천 정확도 측정 실험을 수행하였다. 측정된 실험 결과는 MCMLI 가 기존 다중 기준 협업 필터링 기반 추천 방법들에 비해 추천 정확도 측면에서 더욱 향상된 결과를 도출할 수 있다는 것을 증명하였다. 특히, 데이터 희소성과 관련하여 기존 방법들이 실험 데이터 집합의 데이터 희소성이 증가함에 따라 추천 성능의 저하 현상을 보인 반면, MCMLI는 TripAdvisor 데이터 집합에 대한 결과에서 추천 정확도의 저하가 없었고, Yahoo! Movies 데이터 집합에 대한 결과에서는 기존 방법들에 비해 추천 정확도의 저하가 경감되었음을 증명하였다.
