ML&DL73 [Recommender System / Paper review] #20 The YouTube Video Recommendation System 논문 링크(1370회 인용) Summary 2010년에 나온 유튜브의 첫 추천 알고리즘 관련 논문으로, 비디오별로 candidates을 생성하고 그것에 따라 ranking을 부여하며 이를 기반으로 추천을 진행한다. 비디오별 $v_i$와 다른 비디오 $v_j$ 간의 relatedness을 계산하는데 두 비디오가 같이 방문(co-visitation)되는 횟수에 따라 계산된다. 계산된 relatedness인 $r(v_i, v_j)$에 따라 상위 N개의 비디오 세트를 seed video $R_i$라고 정의한다. $R_i$을 사용하여 candidates을 생성한다. 이때, 사용자에게 novelty을 주도록 구성한다. 비디오의 다양한 signals에 따라 비디오를 랭킹하고 정해진 갯수를 유저에게 추천한다. Moti.. 2023. 4. 19. [Recommender System / Paper review] #19 Fast Matrix Factorization for Online Recommendation with Implicit Feedback 논문 링크(967회 인용) Summary 기존의 방법과는 다르게, 본 논문에서 제안하고자 하는 mf는 implicit feedback을 이용하되 관측되지 않은 feedback은 서로 다른 weight을 준다. 이는 item popularity을 반영한 weight이다. 또한 기존의 시간 복잡도 측면에서 기존의 ALS 방법을 개선하여, online recommendation이 가능하도록 eALS을 제안한다. 기존 방법에 비해 K배만큼의 복잡도가 개선됨을 보인다. online recommendation을 목표로 하기 때문에, 실시간으로 유저와 아이템간의 interaction 데이터가 들어왔을 때 어떤 식으로 업데이트할지에 대한 방법을 제시한다. Motivation implicit feedback을 이용한 m.. 2023. 4. 19. [Recommender System / Paper review] #18 Neural Collaborative Filtering 논문 링크(4700회 인용)Summary유저와 아이템간의 interaction을 벡터의 내적이 아닌 neural network으로 모델링하는 neural cf을 제안한다.embedding layer을 통해 유저와 아이템에 대한 latent vector을 만들고 이를 neural cf layers의 입력값으로 넣는다.neural cf layers는 각자 입맛에 맞게 구성하면 된다. activation function을 정하고 몇개의 layer을 쌓을 것인지 정한다.최종 output activation function을 통해 $\hat{y}_{ui}$을 생성한다.본 논문은 implicit feedback의 binary 값이 발생할 확률을 정의하고 이를 최대화하는 방향으로 likelihood 최적화를 진행한다.. 2023. 4. 18. [Recommender System / Paper review] #17 Logistic Matrix Factorization for Implicit Feedback Data 논문 링크(258회 인용) Summary implicit feedback을 사용하는 연구의 흐름으로, matrix factorization을 수행하되 logistic function을 사용한다. probabilistic approach을 사용하는데, 유저 u가 아이템 i를 선택하는 이벤트의 확률을 모델링하도록 likelihood function을 세운다. 베이지안 방법을 사용하여 prior을 spherical gaussian distribution으로 가정한다. posterior을 전개해보면, 이는 곧 파라미터에 대해 L2 정규화를 가정하는 것과 같다. optimization은 유저벡터와 유저 bias 벡터, 그리고 아이템벡터와 아이템 bias 벡터간에 alternating gradient ascent.. 2023. 4. 18. [Recommender System / Paper review] #16 Collaborative Deep Learning for Recommender Systems 논문 링크(1701회 인용) Summary content-based 방법과 cf 방법을 섞은 hybrid rs의 한 종류이다. 이때, content-based을 stacked denoising autoencoder (SDAE)로 구현한다. 영화의 컨텐츠를 bag of words로 표현하고, 이를 SDAE에 통과시켜 input을 잘 표현하는 dense vector을 만든다. 그리고 이를 item vector로 사용한다. SDAE뿐만 아니라 rating matrix의 generation process도 베이지안 계층모형을 사용하여 정의한다. MAP 추정치를 구하기 위해서 EM 방식의 최적화를 진행한다. Motivation RS의 목적은 rating matrix의 결측치를 채워 넣는 것인데, 대부분의 경우 .. 2023. 4. 14. [Recommender System / Paper review] #15 Deep content-based music recommendation 논문 링크(1425회 인용) Summary weighted matrix factorization을 이용해 음악의 latent factor vector을 추출하고 이를 target y로 삼는다. audio signal에서 time-frequency representation을 추출하고 neural network의 입력값으로 넣는다. 이때 cnn을 사용한다. WMF로부터 추출한 latent factor vector와 audio signal로부터 추출한 time-frequency representation가 유사해지도록 학습을 진행하고 학습한 latent vector 기반으로 유저에게 음악을 추천한다. 음악의 audio signal을 기반으로 생성한 latent vector을 사용하여 추천을 하기 때문에 co.. 2023. 4. 12. 이전 1 ··· 5 6 7 8 9 10 11 ··· 13 다음
