ML&DL/Recommender System46 [Recommender System / Paper review] #10 Collaborative Filtering with Temporal Dynamics 논문 링크(2400회 인용) Summary 본 논문은 factor 기반 모형과 neighborhood 기반 모형에 temporal 가정을 추가하여 모델을 구성한다. 추가하는 temporal 가정은 아래와 같다. user biases ($b_u$)는 시간에 따라 변한다. item biases ($b_i$)는 시간에 따라 변한다. user preferences ($p_u$)는 시간에 따라 변한다. iterm characteristics ($q_i$)는 시간에 따라 변하지 않는다. latent factor model 중에는 SVD++ 모형에 temporal 가정을 추가한다. neighborhood model 중에는 item-item model based on global optimization 모형에 tem.. 2023. 4. 7. [Recommender System / Paper review] #09 One-Class Collaborative Filtering 논문 링크(1212회 인용) Summary 유저x아이템 행렬은 대부분의 값이 결측치인 sparse 행렬이다. 결측치를 유저의 부정적인 반응으로 보는 방향과 아예 unknown 값으로 취급하는 방향이 있다. 본 논문에서는 이 두 양극단의 중간점으로 두 가지 방법을 제시한다. 하나는 행렬의 결측치 값에 가중치를 주는 것이다. 여기서 0 또는 1이라면 앞서 말한 두 방향이겠지만, 0과 1 사이의 값을 줌으로써 결측치도 살리고 좀 더 현실적인 가정을 모형에 포함한다. 다른 하나는 positive feedback은 모두 포함하되, 결측치를 랜덤하게 추출함으로써 모델을 구성하고 나중에 합치는 방향이다. weighted low rank approximation: negative examples에 부여하는 weight.. 2023. 4. 6. [Recommender System / Paper review] #08 Matrix factorization techniques for recommender systems 논문 링크(11329회 인용) Summary 넷플릭스에서 주최한 대회에서 neighborhood 기반 모델보다 matrix factorization 기반 모델의 결과가 월등히 좋았다. 본 논문에서는 기본적인 matrix factorization부터, bias을 더한 형태, 추가적인 input을 더한 형태, temporal effect을 더한 형태, implicit feedback을 더한 형태까지 단계적으로 각 모형을 살펴본다. Motivation neighborhood 기반 모델에 비해 matrix factorization 기반 모델이 좋은 이유는 아래와 같다. 다양한 형태의 모델을 가정할 수 있다. cost function에 목적에 맞는 항을 추가함으로써 결과를 향상시킬 수 있다. 또한 파라미터에 대한.. 2023. 4. 5. [Recommender System / Paper review] #07 Collaborative Filtering for Implicit Feedback Datasets 논문 링크(3690회 인용)Summary사용자가 직접적으로 아이템에 대해 매기는 explicit feedback이 아닌, implicit feedback 데이터를 이용하여 unknown preference을 예측하는 방법을 제안한다.implicit feedback은 explicit feedback와는 다른 특징을 가지기 때문에 이를 모델링에 잘 반영해야 한다.neighborhood based 방법이 아닌, latent factor based 방법을 기반으로 implicit feedback 데이터를 데이터에 통합하여 유저의 preference을 예측한다.implicit feedback에 기반하기 때문에, m x n개의 모든 쌍의 데이터에 대해 파라미터를 업데이트한다. 따라서 gradient descent가.. 2023. 4. 5. [Recommender System / Paper review] #06 Factorization meets the neighborhood: a multifaceted collaborative filtering model 논문링크(4056회 인용) Summary 추천시스템 분야에서 CF는 크게 neighborhood-based models과 latent factor models로 나뉜다. neighborhood models은 local preference을, latent factor models는 global preference을 잘 잡아낸다. 본 논문은 이 두 모형을 합침으로써 두 모형의 장점을 취하고자 한다. 또한, netflix에서 제공하는 사용자의 explicit feedback뿐만 아니라 사용자가 프로덕트를 사용하면서 남긴 implicit feedback도 모형에 반영함으로써 성능도 높이고 좀 더 현실적인 상황에서 유저의 취향을 모델링 할 수 있는 방법을 제안한다. 최종적으로 neighborhood models과.. 2023. 4. 4. [Recommender System / Paper review] #05 Probabilistic matrix factorization 논문 링크(5087회 인용)Summaryuser X item 행렬을 $R \in \mathbb{R}^{N \times M}$이라고 하면, 이 행렬을 $R = U^T V$로 분해하는 latent space model을 제시한다.유저 행렬인 $U \in \mathbb{R}^{D \times N}$와 아이템 행렬인 $V \in \mathbb{R}^{D \times M}$에 확률 모형 (probabilistic model)을 가정하고 objective function을 세운다. 이를 PMF 모형이라고 부르자.bayesian 방법으로 likelihood을 최대화한다면, $U,V$에 대한 posterior distribution가 나온다.loss 문제로 바꾸어 생각하여, gradient descent으로 문제를 풀.. 2023. 4. 3. 이전 1 ··· 4 5 6 7 8 다음
