본 포스팅은 Fastcampus 강의를 수강하며 일부 내용을 정리한 글임을 밝힙니다. 보다 자세한 내용은 아래 강의를 통해 확인해주세요.
참고 : Fastcampus 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online

---

Ch 08. Recommender System with Deep Learning

---

📑 Paper Review

VBPR: Visual Bayesian Personalized Ranking from Implicit Feedback

• Matrix Factorization에 대한 논문 BPR에 Visual한 정보가 추가된 논문

| Introduction

• 큰 데이터셋에서 피드백을 반영한 모델링에 많이 사용한 matrix factorization을 사용

  • matrix factorization에 visual한 정보를 어떻게 추가했느냐를 중점적으로 살펴보자

• 사용자의 preference 등을 반영한 latent vector를 표현

• 더불어 visual dimension을 사용해서 personalized ranking test에서 더 나은 성능 보여줌

• Matrix Factorization을 통해 latent 정보를 보여주기 위함

• Visual features for personalized ranking on implicit feedback

  • Alleviate cold-start issues (cold-start 문제 완화)
  • Explain recommendations with visual signals (추천에 대한 시각적 설명 가능)
  • Produce personalized rankings with users' preferences (유저 선호도에 대한 개인화 랭킹 제안)

• Scalable factorizaiton model to incorporate visual signals

  • Use pre-trained network to extract visual aspects
    • Use additional layer to uncover both visual and latent dimensions that are relevant to users' opinions

| Contributions

1. Visual signals와 함께 Matrix Factorization을 활용하여 사용자의 의견을 반영하고 예측할 수 있도록 함

2. Bayesian Personalized Ranking(BPR)을 유도하고 분석하여 사용

3. 데이터셋이 크고, 실제 데이터셋에 대해 실험을 진행하고 이를 확장할 수 있도록 함

| VBPR: Problem Formulation (1)

• Predict rankings learned from users' implicit feedback
• Generate for each user $u$ a personalized ranking of those items about which they haven't yet provided feedback
  ➡️ 즉 user $u$가 아직 피드백을 제공하지 않은 $item$에 대해서 personalized ranking을 예측하는 문제

| VBPR: Preference Predictor

• Cold Start Problem을 해결하는 데 도움이 되는 이유 중 하나는, CNN이 추천을 위해서가 아닌 이미지의 전반적인 모든 특징들을 학습하기때문에 visual feature 안에는 좀 더 광범위한 정보가 담겨있을 것이라고 주장 ➡️ Pre-trained CNN으로 visual feature들을 추출하면 Unseen data에 대해서도 정보가 있을 것이다

| VBPR: Model Learning Using BPR

• pairwise ranking: User $u$, Item with Positive feedback $i$, non-observed item $j$ ➡️ $(u,i,j)$

| VBPR: Scalability

• 기존의 BPR-MF가 $O(K)$였다면, VBPR은 최종적으로 $O(K+D)$이므로 파라미터를 업데이트하는 것이 엄청한 time consuming과 resource가 필요한 것이 아니라는 것

| Experiments

.
.
.

---

| Conclusions

• Implicit Feedback 데이터셋에서 personalized ranking task를 풀 때, visual feature가 유용하다는 것

• Visual features를 Matrix Factorization에서 사용하면서 scalable하는 방법 제안

• Stochastic gradient descent로 BPR 학습

• 가장 관련있는 visual dimension을 찾아서 아이템과 사용자를 맵핑하는 공간을 만듦

• 최신 랭킹 모델보다 더 나은 성능 보여줬으며, cold start 문제를 해결하는 데 도움을 줌