작성자 : 최현화

본 요약문은 2022년 4월 14일 모두의연구소 슬로우페이퍼 14기 온라인 풀잎스쿨에서 토의한 내용과 논문을 기반으로 작성되었습니다.

Abstract

• implicit feedback 데이터에 대한 협업필터링 문제 해결을 위해 neural networks 기반 기술 개발
• user와 item간의 상호작용을 모델링할때 내적을 neural architecture 로 대체하는 Neural network based Collaborative Filtering (NCF) 제시

Preliminaries

기존 implicit data 로 학습하는 것은

• implicit feedback 에 대한 user–item 행렬 Y는 아래 식과 같다

  

  • 1 : 상호작용 있음을 나타내며 선호에 대한 의미는 아님,
  • 0 : 인지를 못했거나 관찰되지 않은 경우

• 상호작용 예측점수를 매핑하는 interaction function을 식으로 나타내면

• 매개변수Θ 를 추정하기 위한 두가지 유형 목적함수는
  1. pointwise loss : 예측값과 실제값의 squared loss 를 최소화
  2. pairwise loss : 관측된값(i)과 관측되지 않은값(j)을 pair로 선택해서 Yui 와 Yuj 사이의 마진 최대화

MF 요약 및 문제점

• MF는 user–item 행렬 Y 를 k차원의 user latent vector 와 item latent vector 의 내적으로 추정한다

  

• 한계점

  

  • 사용자기준 유사도 s23(0.66) > s12(0.5) > s13(0.4) 에 새로운 사용자 u4를 추가해 유사도를 구하면 s41(0.6) > s43(0.4) > s42(0.2) 이 되고 b) 처럼 P1과 가깝게 하면 P3보다 P2 더 가깝게 되어 순위손실이 발생한다.
  • 복잡한 user–item 상호작용을 저차원 잠재공간에서 표현하는데 한계가 있다 이해결을 위해 DNN 이용

Neural Collaborative Filtering

일반적인 NCF 프레임워크

![Untitled](<https://s3-us-west-2.amazonaws.com/secure.notion-static.com/4d621643-d369-4666-b4e8-db67370289da/Untitled.png>)

- **input layer** : user와 item의 one-hot encoding vector
- **embedding layer** : sparse vector를 k 차원의 dense vector 로 맵핑한다. user와 item에 대한 latent vector로 볼수 있다
- **neural CF layers :** latent vector  를 prediction score 에 매핑한다.
    
    ![Untitled](<https://s3-us-west-2.amazonaws.com/secure.notion-static.com/15ce1215-bf76-409e-b56c-b2a0c684be8d/Untitled.png>)
    
    - P,Q는 latent vector , v : one-hot encoding vector
    - last hidden layer X의 차원은 모델의 능력을 결정한다.
- **output layer** : predicted score와 target value사이의 point wise loss 를 최소화하면서 학습한다.
    
    ![Untitled](<https://s3-us-west-2.amazonaws.com/secure.notion-static.com/e81b115b-a7dc-46df-8c75-1cdef8a7c7e2/Untitled.png>)
    
    ![Untitled](<https://s3-us-west-2.amazonaws.com/secure.notion-static.com/2f36d427-2fd5-4349-81d0-cdee580df05e/Untitled.png>)

implicit data 의 이진속성을 강조하는 확률 모델로 NCF 를 학습하는 방법