ML&DL73 [Recommender System / Paper review] #14 Context-Aware Recommender System 논문 링크(2998회 인용) Summary 유저에게 추천을 하는 그 당시의 상황(context)을 고려한 추천 방법인 context-aware RS의 방법을 리뷰하고 정리한다 (CARS을 처음 제시한 논문은 아니다) contextual factors는 시간에 따라 변화하는지 그 여부에 따라 static/dynamic으로 나뉘고 얼마나 contextual factors에 대해 알고있는지에 따라 fully observable / partially observable / unobservable로 나뉜다. 이러한 contextual information을 사용하는 방법은 크게 세가지가 있다. contextual prefiltering / contextual postfiltering / contextual mod.. 2023. 4. 12. [Recommender System / Paper review] #13 Content-Based Book Recommending Using Learning for Text Categorization 논문 링크(2140회 인용) Summary 이전의 유저가 남긴 행동에 기반하는 것이 아니라, 컨텐츠 자체에 집중하여 추천을 진행한다. 컨텐츠에 대한 점수를 예측하는 것이 아니라 컨텐츠 a가 컨텐츠 b에 비해 더 선호되는지, 랭킹을 모델링한다. 본 논문에서는 책에 대한 추천 문제를 해결하는데, 이때 책의 제목, 내용 등의 자연어를 추천 시스템 입력값으로 사용한다. 다만, 이미 말했듯이 유저가 어떤 책을 이전에 좋아했는지 등은 모형에 포함하지 않는다. Motivation 기존의 추천 시스템에서는 많은 유저에 의해 소비된 아이템이 주로 추천되는 경향이 있었다. 이는, 유저의 취향에는 맞지만 예상하지 못한 아이템을 추천해주기보다 인기있는 아이템이 주로 추천되어 cold start의 문제가 제기되었다. 또한 다른.. 2023. 4. 11. [Recommender System / Paper review] #12 BPR: Bayesian Personalized Ranking from Implicit Feedback 논문 링크(5317회 인용) Summary 개인화된 랭킹 자체를 output으로 만들기 위한 parameter learning 방법을 제시한다. explicit feedback이 아닌, implicit feedback을 이용하며 결측치를 단순히 negative feedback으로 간주하지 않고 유저별 아이템에 대한 선호도를 나타내는 새로운 행렬을 생성하여 학습을 진행한다. BPR에서 관심있는 파라미터는 아이템 i가 아이템 j보다 선호되는지 여부이다. 이를 확률로 정의하여 학습을 통해 추정하고, 추정된 확률을 기반으로 개인화된 랭킹을 제공하는 것이 목표이다. BPR은 새로운 optimization method으로써, 기존의 neighborhood 기반 방법이나 latent factor 기반 방법의 최적화 .. 2023. 4. 10. [Recommender System / Paper review] #11 Performance of Recommender Algorithms on Top-N Recommendation Tasks 논문 링크(1689회 인용)Summary유저에게 양질의 top-N 추천을 해주기 위해 error 기반 RMSE 지표가 아니라 accuracy 기반 recall&precision 지표를 제안한다.또한 테스트 데이터 세트를 섬세하게 설계해야함을 보여준다.매우 인기있는 아이템을 테스트 데이터에 포함한다면, 개인화된 추천을 하지 않는 알고리즘과 개인화 추천 알고리즘간의 성능 차이가 크게 나질 않아서 편향적으로 해석할 수 있다.본 논문에서는 평점을 잘 맞추는 것이 중요한게 아니라 top-N 추천에 유저가 좋아하는 아이템을 포함시키는 것이 중요하다. 이런 측면에서 기존의 cf를 조금 변형한 알고리즘을 제안하고, 이것이 다른 알고리즘에 비해 우수한 성능을 보인다.normalize되지 않은 item-item base.. 2023. 4. 7. [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. 이전 1 ··· 6 7 8 9 10 11 12 13 다음
