Recommendation can be made by either a single user or multi-users (i.e., a group). Data sparsity is a challenging problem in recommendation, which severely degrades performance of recommendation. Many previous works use auxiliary context information to resolve data sparsity. A heterogeneous information network (HIN) that consists of multiple types of nodes and links is frequently used as the context information since it has rich information between entities. In our dissertation, we propose recommendation methods for both a single user and a group by utilizing relationships among entities in HIN. In the first part, we propose a recommendation method for a single user by using topological features of HIN. Recommendation for a single user can be generalized to predict relationships between a user and an item. We predict existence of relationships between two entities by using structural characteristics and meaningful correlation. In the second part, we examine group recommendation considering group cohesion. Group cohesion denotes proportion of group members who actively participate in group activities. Since the group cohesion is an important factor in group recommendation, the concept of group cohesion needs to be properly considered. We also propose a hybrid model that reflects context information and rating data simultaneously. In the third part, we study dynamic group behavior modeling that utilizes context information. A novel group recommendation framework, namely DGC (short for Dynamic Group behavior modeling that utilizes Context information) is proposed. In DGC, we newly develop a transformation method that enables summarization of complex patterns in group decision making processes. To apply context information, we design a loss function based on semi-supervised learning that is combination of a supervised loss for label prediction and an unsupervised loss for context prediction. Experimental results show that our three methods provide significant performance improvements over other existing methods.
본 논문은 개체 관계를 사용한 단일 사용자 및 사용자 그룹에 대한 효율적인 추천 방법을 제안한다. 이는 다양한 관계 정보를 표현한 이질형 네트워크에서 추출한 그래프의 구조적 특징을 활용하여 추천 알고리즘의 대표적인 성능 저하 요인인 데이터 부족 현상을 해결한 방법들을 제안한다. 첫 번째로 이질형 네트워크의 구조적 특징 및 링크 간의 유의미한 상관관계를 고려한 단일 사용자에 대한 추천 방법을 제안한다. 두 번째로 그룹 결정에 적극적으로 참여하는 그룹 구성원의 비율을 나타내는 그룹 응집력의 개념을 제시하고, 이를 반영하기 위한 토픽 모델 기반 그룹 추천 방법을 제안한다. 또한, 이질형 네트워크에서 추출한 특징을 토픽 모델에 효과적으로 결합하여 데이터 부족 현상을 해결한다. 마지막으로 그룹 결정 과정에서 발생하는 다이내믹 패턴을 모델링한 딥 러닝 기반 그룹 추천 방법을 제안한다. 사용자-아이템 공간을 그룹-아이템 공간으로 전환함으로써 그룹의 다이내믹한 패턴을 효과적으로 모델링하고 이질형 네트워크에서 추출한 특징을 준지도 학습 기법을 사용하여 반영한다. 본 연구에서 제안한 세가지 방법은 단일 및 다중 사용자에 대한 추천 모델을 제안하며 데이터 부족 현상을 효과적으로 해결한다.
