Flexible Recommendation Framework Sangkeun Lee IDS Lab. Seoul National University

Copyright  2010 by CEBT 공통점 찾아보기 2 추천 시스템을 서비스에 이용하고 있는 Commercial & non-commercial 사례

Copyright  2010 by CEBT 추천 시스템 (Recommender System/Engines) 3  Recommender systems or recommendation engines form or work from a specific type of information filtering system technique that attempts to recommend information items that are likely to be of interest to the user. (from Wikipedia)information filtering system  Variety of Services Amazon, Amie Street, Barilliance, Barnes and Noble, Baynote, ChoiceStream, Collarity, Digg.com, eBay, Google, News, Gravity, R&D, half.ebay.com, Heeii, Hollywood, Video, Hulu, iLike, Internet Movie Database, iTunes, Last.fm, LibraryThing, Loomia, Musicmatch, MyStrands, Netflix, Simania,……  Variety of Domains films, television, video on demand, music, books, news, images, web pages, etc 영화 웹사이트 문서 책 음악

Copyright  2010 by CEBT 모든 것이 좋아 보이나 … 4 Lack of Data – need a lot of data to effectively make recommendations – a chicken and egg problem - to get good recommendations, you need a lot of users Changing Data – biased towards the old and have difficulty showing new – each attribute (think fit, price, color, style, fabric, brand, etc) has a different level of importance at different times for the same consumer Changing User Preferences – today I have a particular intention when browsing e.g. Amazon - tomorrow I might have a different intention Unpredictable Items – The type of movie that people either love or hate This Stuff is Complex! – it takes a lot of variables to do even the simplest recommendations – find the magic formula for recommending new products or content to their users…?? ReadWriteWeb – ‘5 Problems of Recommender Systems’ (

Copyright  2010 by CEBT Finding the Magic Formula?  ‘ 최적의 추천 공식 ’ – 즉, 사용자의 만족도를 가장 높여 줄 수 있는 추천 알고리즘과 파 라메터를 찾는 것은 결코 쉬운 일이 아니다. 시간의 흐름에 따라 데이터는 지속적으로 변화한다 추천을 위한 속성의 중요도가 변화한다 사용자마다 다른 추천 기법이 최적일 수 있다. 추천에 활용할 수 있는 변수들은 너무도 많다. 다양한 추천 알고리즘들이 존재한다 상황에 따라 다른 성능을 보인다  Amazon 이나 Netflix, Google 같은 많은 사용자를 확보하고 있는 대표 서비스들을 제외 하고는 많은 추천 서비스들이 만족스러운 결과를 얻는 데 필요한 그들만의 공식을 찾 는 것이 어려운 것이 현실이다 ( 추천 시스템의 가장 성공적인 Case 로 꼽히는 Netflix 또한 추천 정확도의 10% 향상을 위한 Netflix Prize 을 개최하고 있다.) 5

Copyright  2010 by CEBT Flexible Recommendation Framework  최적 솔루션을 찾기 위한 Empirical Experiment 를 할 수 있어야 한다 다양한 추천 알고리즘들의 Dynamic 하게 속성별 중요도를 조정해가면서 결과를 비교 분 석 할 수 있도록 하는 실험이 가능하다면 경험적으로 (Empirically) 최적의 솔루션을 찾는 데 도움이 될 것이다. 그러나 대부분의 추천 시스템은 Hardly-wired recommendation algorithm 을 이용해 추천 서비스를 제공한다. – 실험이나 파라메터의 변경, 새로운 추천 기법의 도입을 위해 Code-level 의 수정이 필요하다. – 정해진 데이터 스키마 구조를 가정하고 있어서 유연하지 않으며 low-level 데이터의 구조를 이해 해야 추천 알고리즘을 변경 할 수 있다. Flexible Recommendation Framework 가 필요하다  Related Works Multidimensional Recommender Systems: A Data Warehousing Approach – RQL: formulated on a pre-specified multidimensional cube of ratings FlexRecs – a general and open framework for expressing and pro- cessing flexible recommendations over relational data 6

Copyright  2010 by CEBT 7

8

Goal of Flexible Recommendation Framework  Two types of relations - Atomic, Composed Atomic relations are pre-calculated from low-level log data (Code Level) Composed relations are calculated by composing atomic relations (System Level)  By combining relations, (any) recommendation algorithms can be declaratively defined without understanding low-level log data  Expected Contributions Dynamic 하게 Relation 들을 넣고 빼고 결과를 보면서 추천 알고리즘을 테스트 할 수 있 다. Coding Skill 이나 Computer Engineering 에 대한 깊은 이해가 없는 사람이라고 할지라도 의미 기반의 추천 알고리즘을 작성하고 테스트 할 수 있다. 재사용 가능한 의미 단위의 Building Block 을 활용함으로써 Code 를 새로 작성하는 것을 최소화 한다. 데이터의 구조를 변경하지 않고 새로운 추천 알고리즘의 결과를 실험해볼 수 있다. (on the fly) 여러 가지 추천 알고리즘의 결과를 쉽게 Blend 할 수 있다. 어떤 것이라도 추천의 대상이 될 수 있다. (multiple-dimensions) 9