Recommendation systems that offer personalized products and services to individuals have a great impact on our daily lives as well as academia. Collaborative filtering is the most representative way to provide personalized recommendations to users. However, many previous studies based on rating matrix data do not reflect the principle that users are influenced by others when purchasing goods. Therefore, trust-aware models that use social networks as side information have attempted to incorporate these principles based on the Matrix Factorization model. However, the trust network also has a problem of being very sparse like the rating matrix, and when purchasing an actual product, the user is affected by the evaluation of not only the person I trust but also the other person who purchased the item of interest. Therefore, many previous researches have limitations in that they can not consider the actual human decision-making process in the process of purchasing goods. In this study, the relative comparison, which is one of human decision-making principles, is reflected in SVD ++, one of the state of the art in the recommendation algorithm. In addition, in the absence of a trust network, we define a parameter called degree of trust, which learns the strength of the influence from other people who have purchased the product of interest. Experiments based on multiple real data sets have shown that the proposed RelativeSVD performs better than the state of the art algorithms.
개인에게 맞춤화된 상품, 서비스를 제안하는 추천 시스템은 학계뿐만 아니라, 우리의 일상에 많은 영향을 미치고 있다. 사용자에게 맞춤화된 추천을 제공하기 위한 가장 대표적인 방법은 Collaborative Filtering이다. 하지만, 평점 행렬 데이터를 기반으로 하는 많은 선행연구들은 상품을 구매할 때, 사용자가 다른 사람에게 영향을 받는다는 원리를 반영하지 못하고 있다. 그렇기에, 소셜 네트워크를 추가 정보로 사용하는 trust-aware approach들은 이러한 원리를 Matrix Factorization 모델 기반으로 반영하려고 시도했다. 하지만, trust network 역시 평점 행렬과 같이 매우 sparse하다는 문제가 있으며, 실제 상품을 구매할 때, 사용자는 내가 신뢰하는 사람뿐만 아니라 해당 관심 상품을 구매한 다른 사람의 평가에 영향을 받는다는 점을 간과했다. 그렇기에 기존의 많은 선행 연구들은 상품을 구매하는 과정에서의 실제 인간의 의사결정 프로세스를 고려하지 못했다는 한계를 지닌다. 본 연구에서는 이를 주목하여, 인간의 의사결정 원리 중 하나인 상대적 비교를 추천 알고리즘에서 state of the art 중 하나인 SVD++에 반영하였다. 또한, trust network가 없는 상황에서, 관심 상품을 구매한 다른 사람으로부터 받는 영향의 세기를 학습하는 degree of trust라는 파라미터를 정의하였다. 여러 실제 데이터 셋을 기반으로 실험을 수행함으로써, 본 연구에서 제안한 RelativeSVD가 state of the art 알고리즘들보다 우수한 성능을 나타냄을 입증했다.
