Sparsity of Users’ Feedback
User-Item interaction 메트릭스는 굉장히 크고 sparse 할 수 있다. 이 부분이 추천의 성능에 어려움을 가져다 주게 된다.
이럴 때, 주어진 User-Item interaction 외에 Auxiliary content information이 도움이 될 수 있다.
Hybrid Recommender Systems
Hybrid Recommender Systems는 content-based와 collaborative filtering 방식을 합친 특수한 추천 시스템이다.
content-based : 아이템을 벡터화해서 유저가 선호하는 아이템을 추천
collaborative filtering : 유저-아이템 상호작용을 활용하여 유저가 선호하는 아이템을 추천
Text Modeling for Recommendation
Wang et al., Collaborative Topic Modeling for Scientific Articles, KDD 2011
Wang et al., Collaborative Deep Learning for Recommender System, KDD 2015
초기의 하이브리드 추천시스템을 위한 text 모델링은 topic modeling을 통해 description 문서를 이해하려고 했다.
Topic modeling : 문서의 주제를 word set로 표현하는 것
• CF + Latent Dirichlet Allocation (LDA)
• CF + Stack Denoising AutoEncoder (SDAE)
이런 bag-of-words models 들은 단어의 빈도수만 고려하기 때문에 단어의 주변 단어들이나 단어의 순서 같은 textual contexts의 중요한 정보 손실을 야기한다.
ConvMF
Kim et al., Convolutional Matrix Factorization for Document Context-Aware Recommendation, RecSys 2016 Kim, Convolutional Neural Networks for Sentence Classification, EMNLP 2014
ConvMF는 CNN을 통해 존재하는 MF-based CF에 리뷰 같은 아이템의 textual contents를 통합했다.
CNN을 사용하면 context를 잡아낼 수 있다.
ConvMF는 multiple convolution filter를 가진 간단한 CNN 구조를 적용했다.
MAP estimation :
Objective function :
Image Modeling for Recommendation
VBPR(Visual Bayesian Personalized Ranking)
He and McAuley, VBPR: Visual Bayesian Personalized Ranking from Implicit Feedback, AAAI 2016
VBPR은 pretrained CNN을 통해 BPR-based CF에 아이템의 이미지 같은 visual features를 통합했다.
- Score function : two-way factorization (i.e., item id-side, image-side)
- optimization : BPR framework
VMCF(Visual Matrix Collaborative Filtering)
Park et al., Do “Also-Viewed” Products Help User Rating Prediction?, WWW 2017
VMCF는 pretrained CNN을 통해 아이템의 visual features를, 그리고 also-viewed 같은 아이템의 관계를 MF에 통합했다.
즉, VBPR에 item-item을 추가적으로 고려한 것이다.
아이템들 간의 "also-viewed" 관계를 모델링 하기 위해 product-affinity matrix를 소개한다.
두 아이템 j와 k 사이의 affinity score :
VMCF는 rating과 affinity matrix를 동시에 인수분해(factorizes) 한다. (i.e., matrix co-factorization)
Social Modeling for Recommendation
SBPR(Social Bayesian Personalized Ranking)
Zhao et al., Leveraging Social Connections to Improve Personalized Ranking for Collaborative Filtering, CIKM 2014
유저간의 소셜 관계를 기반으로 추천을 한다.
유저들은 단조롭게도 더 많은 친구들이 선택한 아이템을 고를 확률이 더 높다.
이러한 관찰을 토대로, SBPR은 ranking에 대한 추정에 기반한 모델을 만들었다.
1순위 Positive feedback : 내가 선택한 아이템 i의 순위
2순위 Social feedback : 내 친구들만 선택한 아이템 k들의 순위
Negative feedback : 나와 내 친구들이 선택하지 않은 아이템 j
각 유저 u에 대한 최적화 표준(optimization criterion) :
(참고) 🔗BPR의 posterior distribution
