1. Attention-based dynamic user preference modeling and nonlinear feature interaction learning for collaborative filtering recommendation
동적 사용자 선호도 모델링과 비선형 매칭 함수 학습을 사용하여 추천 성능을 향상시키는 새로운 CF 추천 방법을 제안
동적 사용자 선호도 모델링을 위해 attention network 사용. 비선형 매칭 함수 학습을 위해 기존 MF 모델 위에 단일 히든 레이어 신경망을 추가
동적 사용자 선호도 모델링: 2계층 신경망 네트워크를 사용하여 동적 사용자 선호도 모델링. 예측된 항목, 최근에 상호 작용한 이전 항목 및 상호 작용 시간을 고려하여 사용자 기본 설정 모델링에서 상호 작용된 각 항목의 기여 가중치를 추정
비선형 매칭 함수 학습: 비선형 매칭 함수 학습을 위한 기존 MF 모델 위에 단일 히든 레이어 신경망 추가. 몇 가지 추가 매개변수만으로 모델의 특징 상호 작용 학습 기능이 향상됨.
2. ADCF: Attentive representation learning and deep collaborative filtering model
Attention 기반 표현 학습 구성 요소와 다중 입력 매칭 기능 학습 구성 요소를 사용하여 장기 사용자 선호도와 항목 잠재 기능의 표현을 구성하는 심층 협업 필터링 권장 모델을 제안
예측 항목, 최근 과거 상호 작용 항목 및 최근 과거 상호 작용 항목의 상호 작용 시간을 고려하여 단기 사용자 선호도를 구성하는 동적 사용자 선호도 모델링 방법을 도입.다양한 컨텍스트의 사용자에 대해 서로 다른 프레젠테이션 가능.
암시적 상호작용 매트릭스의 상호작용 이력 벡터를 사용하여 아이템 특징과 장기 사용자 선호도를 나타냄. multi hot 벡터로 ID 또는 특징 기반 onehot 벡터를 DL 모델의 입력으로 사용하는 기존 방법과는 다름.
암시적 피드백에 기반한 상호 작용 매트릭스를 데이터 소스로 사용하여 장기 사용자 선호도와 항목 잠재 기능을 나타냄.
representation 학습에서는 time-aware attention network를 사용하여 단기 사용자 선호도 모델링에 대한 다양한 과거 상호 작용 항목의 가중치를 추정. 단기 선호도와 장기 선호도를 결합하여 동적 사용자 선호도 representation을 얻을 수 있음.
매칭 함수 학습에서는 다중 입력 딥러닝 모델 사용. 입력에는 동적 사용자 선호도 representation과 항목 잠재 기능 표현뿐만 아니라 두 표현 간의 선형 상호 작용도 포함되므로 모델은 더 강력한 기능 상호 작용 학습 능력을 가짐.
3. Attribute-based Neural Collaborative Filtering
사용자 선호도를 파악하는 데 있어 Dot Product 운영의 한계와 추천 결과를 개선하는 데 있어 속성 정보의 중요성에 대해 설명함.
어텐션 메커니즘을 사용하여 속성 정보의 중요성을 구분하는 새로운 속성 기반 신경 협업 필터링 (ANCF) 방법과, 다층 퍼셉트론을 사용하여 사용자와 항목 간의 고차원 상호 작용 관계를 캡처하는 새로운 속성 기반 신경 협업 필터링 (ANCF) 방법을 제안
ANCF는 어텐션 메커니즘을 사용하여 속성 정보를 사용자 및 항목 특징 표현에 통합하고 다층 퍼셉트론을 사용하여 사용자와 항목 간의 고차 비선형 관계를 학습함.
4. BCFNet: A Balanced Collaborative Filtering Network with Attention Mechanism
표현 학습 기반 CF 방법과 매칭 함수 학습 기반 CF 방법의 강점을 결합한 균형 협업 필터링 네트워크 (BCFNet) 라는 새로운 추천 모델 제안.
암묵적 피드백 내에 숨겨진 정보를 더 잘 포착하고 신경망의 학습 능력을 강화하기 위한 어텐션 메커니즘 설계
일반화된 행렬 분해 모델 (GMF) 을 통해 DNN의 과적합 문제를 완화하기 위한 밸런스 모듈 도입.
BCFNet 모델은 Attentive Representation Learning, Attentive Matching Function Learning, Balance Module의 세 가지 하위 모듈로 구성.
Attentive Representation Learning : ID, 과거 행동 및 기타 보조 데이터를 포함한 데이터를 데이터베이스에서 추출하여 사용자 및 항목의 초기 표현을 구성
Attentive Matching Function Learning : 사용자 항목 쌍을 매칭 점수에 매핑하는 복잡한 매칭 함수를 직접 학습
밸런스 모듈은 일반화된 행렬 분해 모델 (GMF) 을 통해 DNN의 과적합 문제를 완화하도록 설계
5. FG-RS: Capture user fine-grained preferences through attribute information for Recommender Systems
속성 정보를 통해 세분화된 사용자 선호도를 캡처하는 FG-RS라는 새로운 추천 알고리즘 제안
사용자 선호도를 보다 효과적으로 캡처하기 위해 대화형 기본 설정 모듈과 속성 세부 설정 모듈이라는 두 가지 모듈을 도입