작성자 : 최현화
본 요약문은 2022년 4월 14일 모두의연구소 슬로우페이퍼 14기 온라인 풀잎스쿨에서 토의한 내용과 논문을 기반으로 작성되었습니다.
implicit feedback 에 대한 user–item 행렬 Y는 아래 식과 같다
상호작용 예측점수를 매핑하는 interaction function을 식으로 나타내면
MF는 user–item 행렬 Y 를 k차원의 user latent vector 와 item latent vector 의 내적으로 추정한다
한계점
![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>)