Why This, Not That? Mining User Profiles for Pair-wise Counterfactuals
이 논문은 추천 알고리즘 로직에 기반하여, 반사실적 학습(counterfactual learning)을 활용해 한 아이템이 다른 아이템보다 더 높게 순위가 매겨진 이유를 결정짓는 특정 사용자 프로필 아이템을 식별하는 쌍체 아이템 순위 설명(pairwise item ranking explanations)을 위한 새로운 과업을 제안한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
우리는 기계가 우리가 무엇을 보고, 읽고, 구매해야 하는지를 끊임없이 제안하는 시대에 살고 있습니다. 수십 년 동안 연구자들은 "왜 시스템이 나에게 이 특정 영화를 추천했는가?"라는 단순한 질문에 답하는 데 집중해 왔습니다. 그들은 사용자가 좋아하는 배우나 선호하는 장르와 같은 특징을 지목함으로써, 그 단일한 선택을 설명하는 방법들을 개발해 왔습니다. 하지만 인간의 의사결정은 결코 진공 상태에서 일어나지 않습니다. 우리가 한 옵션 대신 다른 옵션을 선택할 때, 우리는 종면히 그것들을 나란히 놓고 비교합니다. 우리는 "왜 내가 저 영화 대신 이 영화를 골랐을까?"라고 묻습니다. 이러한 비교적 질문은 우리가 자신의 취향을 이해하는 방식의 근간이 되지만, 추천 시스템 설계자들로부터는 훨씬 적은 관심을 받아왔습니다. 두 선택 사이의 차이를 이해하는 것은 단일 선택을 고립시켜 이해하는 것보다 더 많은 것을 드러내 주는데, 왜냐하면 그것이 저울의 균형을 기울게 만든 구체적인 요인들을 강조하기 때문입니다.
한 연구팀은 추천 시스템이 왜 한 아이템을 다른 아이템보다 더 높게 순위를 매기는지를 설명하는 새로운 방법을 개발함으로써 이 문제를 해결하고자 했습니다. 그들은 "만약"이라는 질문을 던지며 이 과제에 접근했습니다. 즉, 사람의 기록에서 무엇이 변해야 시스템이 이 두 아이템의 순위를 바꿀 것인가 하는 질문입니다. 이 방법은 '반사실적 추론(counterfactual reasoning)'으로 알려져 있으며, 결정의 방향을 뒤집기 위해 필요한 최소한의 변화 세트를 찾는 방식입니다. 영화 추천의 맥면에서, 연구자들은 사용자가 이전에 시청했던 구체적으로 어떤 영화들이 시스템으로 하여금 역사 대서사시보다 공상 과학 고전을 먼저 추천하게 만들었는지 식별하고자 했습니다. 만약 그 특정한 과거 시청 기록들이 사용자의 기록에서 제거된다면, 시스템은 이론적으로 역사 대서사시를 먼저 추천할 것입니다. 목표는 순위를 뒤집기 위해 삭제되어야 할 과거 항목들의 가장 작고 정밀한 그룹을 찾는 것이었습니다.
이 아이디어를 테스트하기 위해, 연구자들은 설명자 역할을 하도록 설계된 새로운 유형의 컴퓨터 모델을 구축했습니다. 그들은 반 밀리언 개 이상의 영화 평점이 포함된 데이터 세트, 음악 취향 데이터, 그리고 핀 활동(pinning activity) 데이터를 포함한 세 가지 대규모 사용자 데이터 모음을 통해 이 모델을 학습시켰습니다. 그들은 이 접근 방식을 단일 아이템을 설명하거나 아이템의 일반적인 특징을 살펴봄으로써 아이템을 비교하려는 기존의 여러 기법들과 대조하여 테스트했습니다. 연구진은 대상 아이템과 경쟁 아이템을 동시에 보도록 학습된 이 새로운 방법이 훨씬 더 효과적이라는 것을 발견했습니다. 이 방법은 다른 방법들보다 더 높은 정확도로, 그리고 더 적은 수의 아이템을 사용하여 순위 차이를 유발하는 구체적인 과거 항목들을 식별할 수 있었습니다. 많은 경우, 새로운 모델은 테스트 그룹 내 사용자 80% 이상에 대해 첫 번째 아이템을 두 번째 아이템보다 우선순위에 둔 이유를 설명할 수 있었으며, 종종 아주 적은 수의 과거 상호작용만을 제거함으로써 순위를 바꿀 수 있었습니다.
또한 이 연구는 이러한 설명의 품질이 사용되는 추천 시스템의 유형에 크게 의존한다는 것을 밝혀냈습니다. 기반 시스템이 사용자 행동의 숨겨진 패턴을 학습하는 방식에 기초했을 때, 새로운 설명 모델은 매우 뛰어난 성능을 보였습니다. 그러나 연구진은 인기 있는 아이템과 관련된 복잡한 문제를 언급했습니다. 때때로 순위를 바꾸는 가장 효과적인 방법은 거의 모든 사람이 본 매우 유명한 영화나 노래를 제거하는 것이었습니다. 이것은 수학적으로는 옳지만, 연구진은 이것이 실제 사람에게 도움이 되는 설명은 아닐 수도 있다고 생각했습니다. 사용자에게 "당신이 스타워즈와 타이타닉을 봤기 때문에 이 영화를 추천받았습니다"라고 말하는 것은 너무 당연하거나 도움이 되지 않는다고 느껴질 수 있는데, 그것들은 거의 모든 사람이 본 아이템들이기 때문입니다. 이를 테스트하기 위해, 그들은 가장 인기 있는 아이템들을 무시하도록 모델의 버전을 실행했습니다. 이 버전은 여전히 설명을 찾아낼 수 있었지만, 더 적은 사람들에게 작동했습니다. 이는 인기 있는 아이템들이 비록 이야기에 있어 가장 흥สนใจ로운 부분은 아닐지라도, 이러한 시스템이 결정을 내리는 방식에 상당한 역할을 하고 있음을 시사합니다.
연구진은 자신들의 접근 방식이 정확하고 간결한 비교적 설명을 성공적으로 생성한다고 결론지었습니다. 그들은 하나의 아이템을 한 번에 보는 대신 두 개의 아이템을 동시에 보도록 모델을 학습시킴으로써, 순위 차이의 구체적인 이유를 밝혀낼 수 있음을 보여주었습니다. 결과는 이 방법이 추천 시스템을 더욱 투명하게 만드는 실행 가능한 방법임을 시사하며, 사용자들이 단순히 왜 특정 제안을 받았는지뿐만 아니라, 왜 다른 제안 대신 그 제안을 받았는지까지 볼 수 있게 해줍니다. 현재의 작업은 이러한 설명을 생성하는 기술적 능력에 초점을 맞추고 있지만, 연구진은 다음 단계가 사람들이 실제로 이러한 설명을 유용하고 이해하기 쉽다고 느끼는지 확인하는 것이라고 언급했습니다. 그들은 이 "만약" 시나리오가 사람들이 기계가 자신들을 위해 내리는 선택을 이해하는 데 도움이 되는지 결정하기 위해 인간 사용자를 대상으로 연구를 수행할 계획입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.