[Paper Review] Deep Learning based Recommender System : A Survey and New Perspectives
Paper Review
Abstract
온라인 정보의 양이 폭발적으로 증가함에 따라, 추천 시스템은 정보 과부하를 극복하는 효과적인 전략으로 자리잡아 왔다. 웹 에플리케이션에서 추천 시스템의 유용성은 매우 크며, 특히 과도한 선택지 문제를 완화하는 데 중요한 역할을 한다. 최근 몇 년 동안 딥러닝은 컴퓨터 비전과 자연어 처리 등 다양한 연구 분야에서 큰 주목을 받아왔으며, 이는 뛰어난 성능 뿐만 아니라 feature representation을 처음부터 학습하는 능력 덕분이다. 이러한 특성은 추천 시스템 연구에서도 큰 효과를 보이고 잇으며, 정보 검색 및 추천 시스템 분야에서 딥러닝의 영향력은 점점 커지고 있다.
이 논문은 딥러닝 기반 추천 시스템 분야에서 최근의 연구 흐름을 종합적으로 검토하는 것을 목표로 한다. 구체적으로는 딥러닝 기반 추천 모델을 분류하고 체계화하며, 최신 연구 동향을 종합한 요약을 제공하고, 이 분야의 향후 발전 가능성에 대한 새로운 시각을 제시한다.
1. Introduction
추천 시스템은 소비자가 과도한 선택지에 직면했을 때 이를 방어하는 직관적인 수단으로 작용한다. 웹상의 정보가 폭발적으로 증가함에 따라, 사용자는 수많은 제품, 영화, 식당 등 셀 수 없이 많은 항목에 직면하게 된다. 이 때 personalization은 더 나은 사용자 경험을 제공하기 위한 필수 전략으로 간주된다.
이러한 이유로 추천 시스템은 다양한 정보 접근 시스템에서 핵심적인 역할을 수행하고 있으며, 비즈니스 및 의사결정 과정을 지원하는 데 필수적인 도구로 자리잡고 있따. 특히 e-commerce 또는 미디어 웹 사이트와 같은 다양한 웹 환경에서 활발히 활용되고 있다.
일반적으로 추천 시스템은 user preference, item features, user-item interaction, sequence-aware recommender 등의 다양한 데이터를 기반으로 작동한다.
2. Overview of Recommender Systems and Deep Learning
2.1 Recommender Systems
2.2 Deep Learning Techniques
2.3 Why Deep Neural Network for Recommendation?
1. ✅ 비선형 변환 능력 (Nonlinear Transformation)
- 딥러닝은 ReLU, sigmoid, tanh 같은 비선형 활성함수를 통해 복잡한 사용자-아이템 상호작용을 모델링 가능
- 기존 선형 모델 (행렬 분해, SLIM 등)은 표현력이 제한됨
- 딥러닝은 다양한 비선형 조합과 계층 구조를 통해,
- 복잡한 상호작용 패턴을 학습하고 정확한 사용자 선호 반영이 가능
2. ✅ 표현 학습 능력 (Representation Learning)
- 딥러닝은 원시 데이터(raw data)로부터 유용한 특성과 잠재 요인을 자동으로 학습
- 수작업 특징 공학(feature engineering)의 부담을 줄여줌
- 이로 인해 다양한 이질적 콘텐츠 정보(텍스트, 이미지, 오디오, 영상 등)를 쉽게 포함 가능
- 실제 응용에서 사용자 및 아이템에 대한 풍부한 설명 정보 활용 가능 → 성능 향상
3. ✅ 시계열 모델링 (Sequence Modelling)
- 딥러닝(RNN, CNN)은 시계열적 사용자 행동 패턴을 모델링하는 데 탁월
예시: 채팅봇, 기계번역, 음성 인식, 클릭 로그 분석, 세션 기반 추천, 다음 행동 예측 등 - RNN은 기억 셀(memory state) 구조로 시퀀스를 모델링하고, CNN은 시간 흐름에 따른 패턴을 감지함
4. ✅ 높은 유연성 (Flexibility)
- 딥러닝 기법은 높은 유연성과 확장성을 가짐
- 특히 다양한 프레임워크의 발전 덕분에 실용성 ↑
2.4 On potential Limitations
1. 설명 가능성 부족
- 딥러닝 모델은 블랙박스로 여겨져, 내부 작동 방식이나 예측 이유를 설명하기 어렵다는 비판을 받음.
- 특히 은닉층의 가중치와 활성화 함수는 사람에게 직관적으로 해석되기 어려움
하지만 최근에는 Attention 매커니즘으로 설명 가능성이 점차 개선되고 있음.
설명 가능한 추천시스템으로 발전 진행중.
-
많은 데이터 요구
딥러닝은 매개 변수가 많아서 데이터 소모가 큰 모델임.
추천 시스템에서는 수천만~수억 개 단위의 대규모 데이터셋이 필요함.
하지만, 자연어처리/비전 등 다른 분야에 비해 추천 시스템은 라벨링된 데이터가 적은 편이므로 충분한 양의 실제 사용자 상호작용 데이터가 확보되어야 실질적인 성능 발휘 가능 -
과도한 하이퍼 파라미터 튜닝
딥러닝 모델은 많은 하이퍼파라미터 조정이 필요함. -> 학습 비용, 시간 증가
3. Deep Learning based Recommendataion: State-Of-The-Art
3.1 Categories of deep learning based recommendation models
3.2 Multilayer Perception based Recommendation
MLP : 측정 가능한 어떤 함수도 원하는 정확도로 근사할 수 있는 간결하면서도 강력한 신경망. -> 최신 딥러닝 추천 모델의 기반 구조로 사용
