[논문 리뷰] Deep Learning based Recommender System: A Survey and New Perspectives

Shuai Zhang, Lina Yao외 2명|arXiv (Cornell University)|2017. 07. 24.

Recommender Systems and Techniques참고 문헌 204인용 수 656

한 줄 요약

딥 러닝 기반 추천 시스템에 대한 포괄적 조사로, 분류법, 최첨단 개요, 도전 과제 및 향후 방향을 제시합니다.

ABSTRACT

With the ever-growing volume of online information, recommender systems have been an effective strategy to overcome such information overload. The utility of recommender systems cannot be overstated, given its widespread adoption in many web applications, along with its potential impact to ameliorate many problems related to over-choice. In recent years, deep learning has garnered considerable interest in many research fields such as computer vision and natural language processing, owing not only to stellar performance but also the attractive property of learning feature representations from scratch. The influence of deep learning is also pervasive, recently demonstrating its effectiveness when applied to information retrieval and recommender systems research. Evidently, the field of deep learning in recommender system is flourishing. This article aims to provide a comprehensive review of recent research efforts on deep learning based recommender systems. More concretely, we provide and devise a taxonomy of deep learning based recommendation models, along with providing a comprehensive summary of the state-of-the-art. Finally, we expand on current trends and provide new perspectives pertaining to this new exciting development of the field.

연구 동기 및 목표

• 추천 시스템에서 사용되는 딥 러닝 기법에 대한 체계적 검토를 제공한다.
• 기존의 딥 러닝 기반 추천 모델을 정리하기 위한 분류법을 제안한다.
• 데이터 모달리티 및 작업 전반에 걸친 최첨단 모델과 응용 분야를 요약한다.
• 이 분야의 도전과제, 미해결 이슈 및 향후 연구 방향을 논의한다.

제안 방법

• 신경망 구성 요소의 유형에 따라 딥 러닝 기반 추천 모델을 분류한다(예: MLP, AE, CNN, RNN, RBM, NADE, Attentional Models, Adversarial Networks, DRL).
• 여러 신경 구성 요소를 결합하는 딥 하이브리드 모델을 위한 두 번째 차원을 설명한다.
• 주요 학술지 및 데이터베이스에서 100건이 넘는 연구를 포함한 광범위한 공개 논문을 검토하여 현재 동향을 파악한다.
• Neural Collaborative Filtering 및 Deep Factorization Machines와 같은 예시 아키텍처를 강조하고 이들이 전통적인 MF를 어떻게 확장하는지 설명한다.

실험 결과

연구 질문

• RQ1 추천 시스템에서 사용되는 딥 러닝 기법의 현재 현황은 무엇인가?
• RQ2 딥 러닝 기반 추천 모델을 체계적으로 어떻게 분류할 수 있으며 이 분류의 강점과 한계는 무엇인가?
• RQ3 딥 러닝 기반 추천 시스템을 배포하는 데 있어 주요 도전 과제와 미해결 이슈는 무엇이며, 어떤 향후 방향이 유망한가?

주요 결과

• 딥 러닝은 추천을 위한 비선형 상호작용 모델링, 풍부한 표현 학습, 시퀀스 모델링 및 다중 모드 데이터 통합을 가능하게 한다.
• 다양한 데이터 소스(텍스트, 이미지, 오디오, 비디오)에 적용 가능한 하이브리드 모델로 여러 신경 구성 요소를 결합할 수 있는 유연한 엔드투엔드 미분 가능 프레임워크를 제공한다.
• RNNs와 CNNs는 세션 기반 및 다음 아이템 예측과 같은 순차적이고 컨텍스트적인 추천 작업에 효과적인 메커니즘을 제공한다.
• 어텐션 메커니즘과 신경 구성 요소는 추천의 해석 가능성 및 설명 가능성 향상에 기여한다.
• 본 연구는 해석 가능성, 데이터 요구사항, 하이퍼파라미터 튜닝과 같은 미해결 이슈를 식별하고 이 분야의 향후 방향을 제시한다.