[추천 시스템] Collaborative-Filtering-for-Implicit-Feedback-Datasets 논문 리뷰

[추천시스템] Collaborative-Filtering-for-Implicit-Feedback-Datasets

추천시스템의 논문중 하나인 Collaborative-Filtering-for-Implicit-Feedback-Datasets를 리뷰 하겠다.

데이터 및 기타 설명

1. Explicit Feedback(명시적 피드백)

명시적 피드백은 직접적 피드백이라고도 한다.
이는 유저가 자신의 선호도(Preference)를 직접적으로 표현한 데이터이다.
예시)

• 리뷰 데이터
• 평점 데이터
• 기타

2. Implicit Feedback(간접적 피드백)

간접적 피드백은 EF(Explicit Feedback)과 달리 간접적으로 선호도(Preference)를 표현한 데이터이다.
예시)

• 페이지 방문 기록
• 페이지 방문 시간
• 기타 움직임

해당 IF는 EF와 다른 점이 몇가지 있다.

1. 부정적인 피드백이 없다.
2. 데이터가 부정확할 수 있다.
3. 수치는 신뢰도를 의미한다.
4. 해당 데이터는 EF와 다른 평가 방법을 제시해야한다.

3. $r_{ui}$

$r_{ui}$는 관측값(Observation)이라고 한다.
이것은 ${user}_u$가 $Item_i$에대한 표현이다.

EF에서는 사용자(u)가 아이템(i)에 갖는 선호도를 의미 하며,
IF에서는 사용자(u)가 아이템(i)를 구매하거나, 아이템(i)에서 소비한 시간, 혹은 아이템(i)를 구매한 횟수 등을 의미한다.

IF에서는 관측된 것이 없을 경우 $r_{ui}=0$으로 설정된다.

4. $c_{ui}$

$c_{ui}$는 $p_{ui}$를 확인할때 신뢰도를 측정하는 변수다.

$c_{ui}= 1+ar_{ui}$

위의 식으로 표현되며, 신뢰도의 증가는 상수($a$)로 조절된다.
해당 논문에서는 $a = 40$일때 좋은 결과를 내었다.

5. $p_{ui}$

$p_{ui}$는 선호도(Prefrence)에 대한 이진 변수다.
이것은 $r_{ui}$로 부터 파생되며 식은 아래와 같다.

$p_{ui}= 1;r_{ui}>0$
$p_{ui}= 0;r_{ui}=0$

$r_{ui}$가 항목 $i$에 대해 소비한 적 혹은 이용한 적이 있다면, $p_{ui}$는 $1$이 되며, 없을 경우 $p_{ui}$는 $0$이 된다.

본론

1. Neighborhood Model

이웃 기반 모델은 협업 필터링에서 가장 흔한 접근 방식으로, 크게 두 가지 방법이 있습니다:

사용자 중심 접근법(User-oriented Approach)

이 방법은 사용자 간의 유사성을 기반으로 한다.
어떤 사용자가 좋아하는 항목의 평가를 바탕으로 비슷한 취향을 가진 다른 사용자들의 평가를 사용하여 예측을 한다.
초기 CF 시스템들은 대부분 이 사용자 중심 접근법을 사용했다.

항목 중심 접근법(Item-oriented Approach)

이 방법은 항목 간의 유사성을 기반으로 한다. 사용자가 평가한 항목 중에서 유사한 항목들을 찾아 해당 항목들의 평가를 바탕으로 예측을 한다.

흔히 Pearson 상관 계수를 사용.

장점

• 항목 중심 접근법은 확장성과 정확도가 더 우수함
• 예측의 근거 설명에 용이

단점

• IF에서는 이러한 방법이 사용자 선호와 그 신뢰도 간의 구별을 잘 해내지 못함

2. SVD Model

특이값 분해(Singular Value Decomposition, SVD)모델 이라고 한다.

해당 모델은 사용자 요인$x_u$와 아이템 요인 $y_i$로 표현한다.
예측은 이 두 요인의 내적(inner product)을 통해 수행된다

$𝑟^𝑢𝑖=𝑥𝑢𝑇𝑦𝑖$

파라미터 추정은 주로 정규화된 모델을 사용하여 수행된다.

λ는 정규화 파라미터
이미지 출처 : 논문

3. Our Model

결론