MLP based Recommender Systems [2018-2020]

MLP 기반 추천 시스템 논문 Model Architecture 모음입니다.
논문에 대한 간단 요약은 copilot을 통해 나온 결과이고 대략적으로 훑어보기 위한 용도입니다.

1. [2018] Outer Product-based Neural Collaborative Filtering

• 개인화된 순위 추천. ONCF (순서형 신경 협업 필터링) 라는 방법을 제안. ConvNCF라는 새로운 접근 방식을 도입.
• ConvNCF는 CNN (컨벌루션 신경망) 을 사용하여 사용자와 항목 임베딩 간의 상호 작용 함수를 학습
  

2. [2018] DeepCF: A Unified Framework of Representation Learning and Matching Function Learning in Recommender System

• representation learning 기반 CF 방법과 매칭 함수 학습 기반 CF 방법의 강점을 결합하여 근본적인 결함을 극복하는 DeepCF라는 통합 프레임워크를 제안
• 심층 신경망을 사용하여 사용자와 항목의 표현과 항목 간의 매칭 기능을 학습
• CFNet은 복잡한 매칭 기능을 학습할 수 있는 유연성이 뛰어나며 사용자와 항목 간의 낮은 순위 관계를 효율적으로 학습할 수 있음.
• CFNet-RL과 CFNet-MF라는 두 가지 구성 요소로 구성됨.
• CFNet-RL은 사용자와 항목의 잠재 표현을 학습하는 역할
• CFNet-MF는 사용자와 항목 간의 매칭 기능을 학습하는 역할

3.[2019]Joint Neural Collaborative Filtering for Recommender Systems

• J-NCF (Joint Neural Collaborative Filtering) 라는 방법을 제안
• 기존의 많은 CF 기법은 MF (Matrix Factorization) 를 기반으로 하며 선형 커널을 가진 항목에 대한 사용자의 선호도를 예측하므로 사용자 항목 상호 작용의 복잡한 구조를 제대로 포착하지 못할 수 있음.
• 심층 특징 학습과 심층 상호 작용 모델링을 등급 매트릭스와 결합하는 공동 신경망을 적용해 서로를 최적화하여 추천 성과를 높일 수 있도록 합
• 암시적 피드백과 명시적 피드백, 포인트별 및 쌍별 손실을 모두 고려한 최적화를 위한 새로운 손실 함수 설계
  

4.[2019]Modeling Embedding Dimension Correlations via Convolutional Neural Collaborative Filtering

• ConvNCF라는 새로운 신경 협업 필터링 프레임워크를 제안
• 협업 필터링의 효율성을 개선하기 위해 신경망의 임베딩 차원 간의 상관 관계를 모델링함
• 세 가지 기존 협업 필터링 모델의 임베딩 기능을 사용하여 ConvNCF의 세 가지 인스턴스화를 제시
  

5. [2019]Recommendation Model Based on Asymmetric Neural Matrix Factorization

• 추천의 정확도를 높이기 위해 명시적 점수와 암시적 피드백을 최대한 활용하는 비대칭 신경 매트릭스 인수 분해 추천 모델의 제안
• 명시적 점수와 암시적 피드백을 모두 활용할 수 있는 점수 매트릭스를 구성하고 비대칭 신경망을 사용하여 매트릭스를 학습
  

6. [2020]A BP Neural Network Based Recommender Framework With Attention Mechanism

• BPAM++와 같은 Attention 메커니즘을 갖춘 역전파 (BP) 신경망을 기반으로 하는 새로운 추천 프레임워크를 제안하여 높은 계산 및 저장 비용과 DNN의 과적합 문제를 해결
• BP 신경망을 활용하여 대상 사용자와 주변 사용자 간의 복잡한 관계와 대상 항목과 이웃 간의 복잡한 관계를 학습함
• 대상 사용자의 가장 가까운 사용자가 가장 가까운 대상 사용자 집합에 미치는 전체 영향을 포착하기 위한 어텐션 메커니즘 설계
  
  

7. [2020]DDFL: A Deep Dual Function Learning-based Model for Recommender Systems

• 메트릭 학습과 매칭 함수 학습을 결합하여 암시적 피드백 예측의 정확도를 향상시키는 심층 이중 함수 학습 (DDFL) 이라는 새로운 모델을 제안
• 비선형성을 사용하여 사용자 항목 쌍을 지표 공간의 예측 점수에 매핑하는 함수를 학습하는 메트릭 함수 학습 (MeFL) 이라는 새로운 모델을 소개
  
  
  

8. [2020]A survey of autoencoder-based recommender systems

• 오토인코더 기반 추천 시스템에 대한 최근 연구를 종합적으로 검토하여 기존 추천 시스템과 오토인코더 기반 추천 시스템 간의 차이점을 강조
• 딥러닝 기법, 특히 오토인코더를 통합하여 RS를 개선하는 데 중점을 두고 있음
  기존 추천 시스템과 오토인코더 기반 추천 시스템 간의 차이점 (예: 콜드 스타트 문제를 처리하는 오토인코더 기반 시스템의 기능 및 컨텍스트 정보 통합)
• 대규모의 동적 추천 작업을 처리할 수 있는 보다 효율적이고 효과적인 오토인코더 기반 추천 시스템을 개발하는 데 초점을 맞춰야 한다고 제안

9. [2020]COMET: Convolutional Dimension Interaction for Collaborative Filtering

• COMET (Convlutional Dimension Interaction) 라는 새로운 접근 방식을 제안
• 이를 통해 과거 상호 작용 간의 고차원적 상호 작용 정보를 동시에 캡처하고 암시적 피드백으로부터 차원을 내장
• 상호 작용된 항목과 상호 작용한 사용자를 “컨텍스트 기능”으로 취급
• COMET은 각 임베딩 맵에 다양한 크기의 커널이 있는 단일 레이어 CNN을 사용하여 과거 상호 작용과 모든 임베딩 차원 간의 고차 상호 작용 신호를 동시에 캡처
• 학습된 상호 작용 벡터를 통해 사용자와 항목의 표현이 강화되며, 이를 통해 최종 예측을 도출할 수 있음
• 다양한 공개 암묵적 피드백 데이터 세트에 대한 광범위한 실험 및 제거 연구는 제안된 방법의 효과와 합리성을 분명히 보여줌
• COMET은 각 임베딩 맵에 다양한 크기의 커널이 있는 단일 레이어 CNN을 사용하여 과거 상호 작용과 모든 임베딩 차원 간의 고차 상호 작용 신호를 동시에 캡처.
• 그런 다음 완전히 연결된 다층 퍼셉트론 (MLP) 을 적용하여 두 개의 상호 작용 벡터를 얻음.
• 학습된 상호 작용 벡터를 통해 사용자와 항목의 표현이 강화되며, 이를 통해 최종 예측을 도출.
  

10.[2020] Convolutional Gaussian Embeddings for Personalized Recommendation with Uncertainty

• 임베딩 기반 모델의 한계 중 하나는 불확실성을 처리하지 못한다는 것
• 가우시안 임베딩을 사용하는 통합된 심층 추천 프레임워크를 제안
• 가우시안 임베딩은 일부 사용자의 불확실한 선호도에 적응하여 더 나은 사용자 표현 및 추천 성능을 제공
• Monte-Carlo 샘플링과 컨볼루션 신경망을 채택하여 목표 사용자와 후보 항목 간의 상관 관계를 계산하고 이를 기반으로 정확한 추천을 달성
• 불확실성 처리에 있어 기존 임베딩 기반 모델의 한계를 해결
• 후보 항목에 대한 주어진 객관적 사용자의 암시적 피드백이 1일 확률을 추정하도록 설계되었으며, 이는 본질적으로 이진 분류 모델
• 프레임워크의 마지막 계층은 예측 계층이며, 이 계층은 이전 CNN의 출력을 받아 최종 예측 점수를 생성
  

11.[2020] Dual Relations Network for Collaborative Filtering

• 사용자-항목 관계와 항목-항목 관계를 동시에 모델링할 수 있는 심층적인 이중 관계 네트워크 제안
• 항목-항목 관계 모델링에 대한 사용자 항목 관계의 영향을 파악하고 사용자에게 중요한 역사적 항목을 구분하기 위한 선호 기반 관심 네트워크를 설계
• 사용자-항목 관계와 항목-항목 관계를 동시에 모델링할 수 있는 심층적인 이중 관계 네트워크 (DRNet) 를 제안
• DRNet은 사용자-항목 관계 네트워크와 항목-항목 관계 네트워크라는 두 개의 하위 네트워크로 구성
• 사용자-항목 관계 네트워크는 대상 항목에 대한 사용자의 선호를 캡처하고 항목-항목 관계 네트워크는 대상 항목과 사용자의 과거 항목 간의 연관성을 모델링
• 항목-항목 관계 모델링에 대한 사용자 항목 관계의 영향을 파악하고 사용자에게 중요한 historical 항목을 구분하기 위한 선호 기반 관심 네트워크를 제안