Session-based Recommendation with Graph Neural Networks
논문 https://arxiv.org/pdf/1811.00855.pdf Abstract 세션 기반 추천의 문제는 익명의 세션을 기반으로 유저들의 행동을 예측하는 데 초점을 두고 있음. 이전 기법들은 세션을 시퀀스로 모델링하고, 추천을 수행하기 위해 아이템 표현 외에 유저 표현도 추정함. 비록 좋은 결과를 얻었지만, 이 기법들은 복잡한 아이템 전환 (Transition) 을 무시하고 세션에서 정확한 유저 벡터를 얻기에 충분하지 않음. 복잡한 아이템 Transition을 고려하고 정확한 아이템 임베딩을 얻기 위해, 새로운 기법 (즉, Session-based Recommendation with Graph Neural Network) 인 SR-GNN을 제시함. 제시된 기법에서, 세션 시퀀스들은 그래프 구조 데..
BPR: Bayesian Personalized Ranking from Implicit Feedback
논문 https://arxiv.org/pdf/1205.2618.pdf Abstract 아이템 추천은 개인 맞춤형 아이템 집합 (ex. 웹사이트, 영화, 상품) 랭킹을 예측하는 태스크임. 이 논문에서, 우리는 Implicit 피드백 (ex. 클릭, 구매) 을 이용한 가장 흔한 시나리오를 살펴봄. Implicit 피드백을 이용하여 아이템을 추천하는 많은 방법들이 있지만, 아래 방법들은 랭킹을 직접 최적화할 수 없음. Matrix Factorization (MF) k-Nearest-Neighbor (kNN) 우리는 개인 맞춤형 랭킹에 대해 포괄적 최적화 기준인 BPR-OPT를 제시함. 이 기준은 베이지안 문제 분석으로 도출된 최대 사후 확률 추정기임. 우리는 또한 BPR-OPT 관점에서 모델을 최적화하는 포괄..
Training Deep AutoEncoders for Collaborative Filtering
Abstract 이 논문은 Time-Split 넷플릭스 Dataset에서 이전 모델들 보다 더 나은 성능을 내는 추천 시스템의 등급 예측 작업 모델을 제시함. 우리 모델은 어떠한 Layer-Wise Pre-training 없이 End-to-End 로 학습하며, 6개 계층을 가진 Deep Autoencoder를 기반으로 함. 우리는 이것을 경험적으로 증명함 : a) Deep Autoencoder 모델은 얕은 (Swallow) 모델 보다 훨씬 더 일반화 시킴. b) Negative Part를 이용한 비선형 활성함수는 심층 (Deep) 모델을 훈련하는 데 매우 중요함. c) Overfitting을 방지하기 위해 Dropout 같은 규제 기법을 많이 사용하는 것이 필요함. 또한, 우리는 CF (Collabora..
Wide & Deep Learning for Recommender Systems
Abstract 비선형 Feature Transformation 을 이용한 일반화된 선형 모델은 Sparse Input을 이용하여 대규모 회귀 (Regression) 와 분류 문제에 널리 사용됨. Cross-Product Feature Transformations을 이용한 Wide 집합을 통한 Feature 상호작용 기억 (Memorization of Interaction) 은 효과적이고 해석가능한 반면, 일반화 (Generalization) 는 더 많은 Feature Engineering 이 필요함. 적은 횟수의 Feature Engineering 을 이용하여, Deep Neural Networks은 저차원의 Dense한 임베딩을 통해 일반화 할 수 있음. 그러나, 임베딩을 이용한 Deep Neural..
Item2Vec: Neural Item Embedding for Collaborative Filtering
Abstract 많은 협업 필터링 (CF, Collaborative Filtering) 알고리즘은 아이템 유사도를 생성하기 위해 아이템-아이템 간 관계를 분석한다는 점에서 아이템 기반이라고 할 수 있음. 최근 자연어 처리 분야에서의 연구들 중 일부는 뉴럴 임베딩 알고리즘을 사용하여 단어의 잠재 표현을 학습하는 것을 제시했음. 이 방법들 중 Word2Vec으로 알려진, Negative Sampling 을 이용한 Skip-gram (SGNS) 은 다양한 언어학적 작업에서 좋은 결과를 가져왔음. 이 논문에서, 우리는 아이템 기반 CF가 동일한 프레임워크의 뉴럴 단어 임베딩으로도 만들 수 있다는 것을 보여줌. SGNS에서 영감을 받아, 우리는 Item2Vec이라고 이름 붙인, 잠재 공간에서 아이템에 대한 임베딩..
Matrix Factorization Techniques for Recommender Systems
논문 https://datajobs.com/data-science-repo/Recommender-Systems-[Netflix].pdf Introduction 현대 소비자들은 감당 못할 정도의 많은 선택권들을 제공 받고 있음. 가장 적절한 상품을 소비자들에게 매칭하는 것은 유저의 만족도와 충성도를 향상시키는 핵심적인 역할을 함. 따라서, 더 많은 Retailers가 제품에 대한 유저의 관심 패턴을 분석하여, 유저 취향에 맞는 개인화 추천을 제공하는 추천 시스템에 관심을 갖게 되었음. 좋은 개인화 추천은 또 다른 차원의 유저 경험 (User Experience) 을 추가할 수 있기 때문에, 아마존, 넷플릭스 같은 e-commerce 리더들은 추천 시스템을 웹 사이트의 중요한 부분으로 만들었음. 그러한 시스..