ML&DL73 [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. [Recommender System / Paper review] #04 Amazon.com recommendations: Item-to-item collaborative filtering 논문 링크 (8143회 인용)Summaryuser based CF, Clustering method의 한계를 극복하고자 item-based CF를 개발하였다.아마존과 같이 수많은 유저와 아이템을 가지고 있는 온라인 상점에게 scalability 문제는 중요하고 item-based CF을 통해 이 문제를 풀 수 있다.유사한 유저를 먼저 찾는 것이 아니라, 유사한 아이템을 먼저 찾는다.Motivation전통 cf는 다음의 한계를 가진다.고객의 수와 아이템의 수를 각각 $M,N$이라고 할 때, 최악의 경우 시간 복잡도는 $O(MN)$이다. 물론, 보통의 경우에 $O(M+N)$의 복잡도를 가지지만, 여전히 computationally expensive하다.이렇게 시간이 오래 걸리는 문제를 $M,N$ 중 하나의 .. 2023. 3. 30. [Recommender System / Paper review] #03 GroupLens: an open architecture for collaborative filtering of netnews 논문링크 (8211회 인용) Summary tapestry(요약 글 참조)가 소개된 후에 나온 논문으로, 비슷하게 적절한 뉴스 기사를 유저에게 추천해주기 위한 grouplens라는 시스템을 소개한다. grouplens도 마찬가지로 collaborative filtering을 이용해서 유저가 흥미있어할 법한 기사를 추천해준다. Motivation 기존의 시스템인 netnews는 signal to noise ratio가 낮다. 뉴스를 쓴 사람들은 읽는 사람의 반응을 알아채기가 어렵다. 개인의 취향을 고려하지 않기 때문에 많은 뉴스 가운데 본인이 원하는 뉴스를 고르기가 힘들다. tapestry와 비슷하지만 다른 점이 있다. tapestry는 monolithic system이지만 grouplens는 여러 사이.. 2023. 3. 30. 이전 1 ··· 7 8 9 10 11 12 13 다음
