Très bien

1. Overview S3Rec은 Self-supervised learning 기법의 추천 알고리즘입니다. raw 데이터로부터 representation을 학습하는 방법론으로 BERT, SimCLR, Data2Vec 과 같이 데이터가 풍부한 분야에서 좋은 성능을 보이며, raw 데이터를 분석하여 풍부한 데이터 패턴을 추출할 수 있습니다. 2. Notations |U|개의 사용자를 갖는 사용자 집합, U와 |I|개의 아이템을 갖는 아이템 집한, I를 가정합니다. 일반적으로, 사용자는 n개의 아이템, i_t와 순차적으로 상호작용을 합니다. 1 ≤ j < k ≤ n 을 만족하는 j와 k에 대하여 i_j:k = {i_j , · · · ,i_k }는 j번째부터 k번째로 사용자가 상호작용을 한 아이템의 집합입니다...

1. Overview 이 논문은 Factorization machines와 neural network를 합친 형태의 Deep FM(Factorization Mode)을 소개합니다. Uver-Item간 복잡한 상호작용을 학습하는 것은 추천 시스템의 CTR(Click-through rate, 클릭률)을 높이기 위한 좋은 성능입니다. 본 연구는특별한 feature engineering을 하지 않아도 편향되지 않게 user-item 상호작용의 nonlinear한 특성을 학습하기 위한 DeepFM(Factorizatino Machin)을 제안했습니다. 추천 시스템의 FM구조를 Deep learning에 적용하여 feature를 학습한 본 논문의 architecture는 Google 의 Wide & Deep 모델과..

1. Overview Context-aware Recommendation은 특정 상황을 나타내는 추가 정보에 따라 추천 결과를 생성하고 조정합니다. 이러한 추가 정보를 context라고 부르며, time, location, social information 등의 side-information을 사용할 수 있습니다. Context-aware RecSys와 기존의 CF(Collaborative filtering), CB(Content based) 기법의 차이는 다음과 같이 설명할 수 있습니다. Traditional Collaborative filtering : User x Item → Rating Content-based methods : User x Item x Item's (or User's) featu..

본 논문은 NVIDIA의 연구원이 Netflix Prize의 dataset을 이용하여 6 layer의 Deep AutoRec 프레임을 성공적으로 구현하고 데이터 학습을 수행한 연구에 대한 논문입니다. AutoRec은 추천 시스템의 Collaborative Filtering(협업 필터링) 기법 중 Matrix Factorization 기법과 Deep Learning의 AutoEncoder 프레임을 결합한 형태의 알고리즘 입니다. Matrix Factorization은 User-latent factor 또는 Item-latent factor의 관계를 정의한 행렬을 함수 f에 적용하여 user-item compatibility를 가장 잘 모사할 수 있는 latent factor를 찾는 문제로 정의할 수 있습니..

1. Overview Auto Encoder 는 저차원의 hidden layer (latent factor)를 학습하여 output으로 input 값을 다시 생성할 수 있는 프레임웍 입니다. 이 논문은 Auto Encoder를 Collaborative Filtering에 적용한 추천 시스템을 제안하였습니다. Rating vector를 입력과 출력으로 하는 Encoder & Decoder Reconstruction 프레임에 적용하여 User 또는 Item vector를 낮은 차원의 latent feature로 dimensionality redution을 수행할 수 있는 기법입니다. 더불어, self-supervised learning 방법의 하나인 AutoEncoder를 추천시스템의 sparse한 데이터에..

1. Introduction 추천시스템에 적용할 수 있는 데이터양이 증가하면서 전통적인 기계학습 기법을 딥 러닝 모델에 적용하기 위한 연구가 활발히 진행되고 있습니다. 본 논문은 2016년 RecSys에 발표한 Google의 논문으로 Deep Neural Network를 YouTube 추천에 적용한 연구를 소개하고 있습니다. 유튜브 추천 시스템은 세 가지 관점에서 성능 개선을 위한 연구를 진행했습니다. Scale : 많은 유저와 아이템을 다룰 수 있는 특화된 분산 학습 알고리즘과 효율적인 서빙 시스템 Freshness : 신규 컨텐츠와 사용자의 최신 행동을 적절하게 조합할 수 있는 추천 정책 (exploration/exploitation) Noise : Sparsity, 고객 만족도에 대한 ground ..

1. Overview 추천시스템은 특정 사용자의 선호도와 과거 행동, 고객과 제품의 특성을 바탕으로 고객들이 관심을 가질만한 정보(영화, 음악, 책, 의류, 금융상품 등)를 추천하는 머신러닝의 분야입니다.추천시스템은 사용자 정보, 제품 정보, 그리고 사용자와 제품 간 상호작용 데이터(좋아요, 클릭, 구매 이력 등)를 수집하고 분석하여 아이템의 유사도가 높거나 사용자간 유사도가 높은 새로운 상품을 추천하는 시스템입니다. 즉, 추천시스템은 사용자(u)와 아이템(i) 간의 관계(compatibility)를 명시적으로 모델링하여 각 사용자가 선호할만한 새로운 아이템을 제공합니다. $ compatibility = f(u, i) $ 추천시스템의 주요 적용 사례는 다음과 같습니다. Personalized Ads. (..

1. Overview 본 논문은 2017년 International World Wide Web Conference Committee (IW3C2)에 개제된 논문으로서 Collaborative FIltering(협업필터링)에 Neural Network을 적용한 Neual Collaborative Filtering(NCF) 에 대한 연구입니다. 기존의 Matrix Factorization(MF)는 저차원의 선형 공간에서 사용자-아이템 간 상호작용(interaction)을 표현하기 때문에 새로운 아이템이 등장했을 때 추가적인 관계를 모델링하고 표현하기에 한계가 있다는 단점이 있습니다. 이와 같은 linearity 특성을 하기 위해 MLP 구조를 적용하여 user-item interaction의 비선형적 관계 ..

Matrix Factorization (MF) for RecSys 협업필터링은 사용자의 행동 양식을 기반으로 아이템을 추천하는 방식입니다. 평점 정보나 상품 구매 이력 등을 기반으로 사용자가 아직 평가하지 않은 아이템을 예측하고 추천할 수 있습니다. Matrix Factoriation 기법은 사용자의 평점 정보나 사용자-아이템 간 상호작용 정보의 유사도를 계산하여 추천 아이템을 제공하는 기법입니다. 장점 : User-Item 간 상호작용 정보만 있으면 쉽게 적용할 수 있습니다. 단점 : user와 item에 대해 충분한 데이터량이 제공되지 않으면 잘못된 방향으로 수렴할 수 있습니다. (cold-start problem) 1. Similarity based MF Cosine Similarity 2. Mat..

컨텐츠 기반 필터링 (Content based filtering) 컨텐츠 기반 필터링은 아이템(영화, 음악, 상품 등) 에 대한 설명과 사용자의 선호 profile (이전 구매 내역, 평점 등)에 기반하여 새로운 item을 추천합니다. 예를 들어, 특정 음악을 사용자가 선택하여 들었다면, 관련 가수, 장르, 키워드 등 item의 세부 컨텐츠가 유사한 다른 음악들을 추천할 수 있습니다. 장점 : Sparse data로부터 발생하는 Cold-start problem 에 잘 대응할 수 있습니다. 또한, 이력이 존재하지 않는 새로운 아이템의 추천 시나리오에 효과적입니다. 단점 : filter bubble이 생기면 이전 경험했던 아이템과 매우 유사한 특성의 아이템들만 제시하는 한계가 있으며, 새로운 사용자에 대한..