부스트캠프 AI 13주차(Day-89) Movie Recommendation - (2) SOTA of RecSys - 2

Day 89

SOTA of RecSys 살펴보기

State-of-the-art (SOTA) RecSys 연구의 근간이 되는 중요한 논문들에 대해 살펴보자.

Factorizing Personalized Markov Chains

Matrix Factorizing

사용자와 아이템의 저차원 표현 (low-dimensional representations)을 학습하는 방법이다.

명시적인 feature 를 사용하지 않고도 잠재 표현을 학습하기 때문에 Latent Factor Model이라고도 한다.

MF는 Explicit feedback 으로 이루어진 rating을 예측하는 데에도 쓰이지만, Implicit feedback으로 이루어진 데이터로부터 ranking을 수행하는 데에도 효과적으로 쓰인다.

Markov Chain

다음 단계의 상태는 이전의 상태에만 영향을 받는다는 가정을 계산하는 모델이다.

FPMC

MF와 Markov Chain을 결합한 모델로 사용자와 아이템 간의 관계 및 아이템과 바로 이전 아이템간의 관계를 함께 모델링한다.

FPMC는 사용자 별로 개인화 된 형태의 User-Specific한 Markov Chain을 가정한다.

Personalized Ranking Metric Embedding

PRME

Compatibility function으로 inner prodcut 대신 distance metric을 (ex. Euclidean distance) 사용한다.

• Inner Procut
  • 가장 유사한 아이템 집단 중 각도 상으로는 가까우나 극단적으로 거리가 먼 아이템을 추천할 수 도 있음
• Euclidean distance
  • 가장 유사한 아이템 집단을 거리를 기준으로 추천 하므로 적당한 추천이 가능함.(locality를 고려할 수 있음)