[논문 리뷰] Hybrid Collaborative Filtering with Neural Networks

Florian Strub, Jérémie Mary외 1명|arXiv (Cornell University)|2016. 03. 09.

Recommender Systems and Techniques참고 문헌 21인용 수 10

한 줄 요약

이 논문은 희소한 평점 데이터에서 비선형 행렬 분해를 수행하면서 보조 정보를 통합하여 추천 정확도를 향상시키는 하이브리드 협업 필터링 신경망인 CFN을 제안한다. MovieLens 및 Douban 데이터셋에서 평가된 결과, CFN은 복잡한 사용자-아이템 상호작용을 모델링하고 냉시작 문제를 완화하기 위해 신경망을 효과적으로 활용함으로써 최신 기법들을 능가한다.

ABSTRACT

Collaborative Filtering aims at exploiting the feedback of users to provide personalised recommendations. Such algorithms look for latent variables in a large sparse matrix of ratings. They can be enhanced by adding side information to tackle the well-known cold start problem. While Neu-ral Networks have tremendous success in image and speech recognition, they have received less attention in Collaborative Filtering. This is all the more surprising that Neural Networks are able to discover latent variables in large and heterogeneous datasets. In this paper, we introduce a Collaborative Filtering Neural network architecture aka CFN which computes a non-linear Matrix Factorization from sparse rating inputs and side information. We show experimentally on the MovieLens and Douban dataset that CFN outper-forms the state of the art and benefits from side information. We provide an implementation of the algorithm as a reusable plugin for Torch, a popular Neural Network framework.

연구 동기 및 목표

• 사용자 및 아이템 속성과 같은 보조 정보를 통합하여 협업 필터링의 냉시작 문제를 해결한다.
• 신경망의 표현 능력을 활용하여 희소한 사용자-아이템 평점 행렬 내 비선형 관계를 모델링한다.
• 협업 필터링과 보조 정보를 결합하여 향상된 추천 성능을 달성하는 확장 가능하고 재사용 가능한 신경망 아키텍처를 개발한다.
• 실제 데이터셋에서 제안된 모델의 효과성을 입증하여 기존 최신 기법들에 비해 일관된 성능 향상을 보여준다.

제안 방법

• 희소한 사용자-아이템 평점 행렬에서 비선형 잠재 요인을 학습하는 신경망 아키텍처인 CFN을 설계한다.
• 사용자 인구통계학적 정보, 아이템 특징 등의 보조 정보를 신경망의 추가 입력으로 통합하여 표현 학습을 풍부하게 한다.
• 관측된 평점의 예측 오차를 최소화하기 위해 백프로파게이션을 사용해 모델을 종단 간(end-to-end)으로 훈련시킨다.
• 사용자 및 아이템 임bedding 간의 복잡한 비선형 상호작용을 모델링하기 위해 다층 퍼셉트론(MLP) 구성 요소를 사용한다.
• 특히 냉시작 상황에서 과적합을 방지하기 위해 정규화 기법을 적용한다.
• 재현성과 재사용성을 보장하기 위해 구현을 Torch 플러그인 형태로 공개한다.

실험 결과

연구 질문

• RQ1 신경망 기반 협업 필터링 모델은 희소한 평점 데이터 내에서 비선형 패턴을 효과적으로 학습할 수 있는가?
• RQ2 보조 정보를 통합할 경우, 특히 냉시작 상황에서 추천 성능 향상 정도는 어느 정도인가?
• RQ3 제안된 CFN 모델은 정확도 및 일반화 능력 측면에서 최신 기술 협업 필터링 방법들과 비교해 어떻게 성과를 내는가?
• RQ4 제안된 아키텍처는 Torch와 같은 기존 딥러닝 프레임워크에서 효율적으로 구현되고 재사용될 수 있는가?

주요 결과

• CFN은 MovieLens 및 Douban 데이터셋에서 최신 기술 협업 필터링 기법들보다 뛰어난 성능을 달성한다.
• 보조 정보 통합은 특히 평점 수가 적은 사용자 및 아이템의 경우 모델 정확도를 크게 향상시킨다.
• 신경망의 비선형 모델링 능력 덕분에 전통적인 선형 행렬 분해보다 더 나은 표현 학습이 가능하다.
• 모델은 데이터 희소성에 대해 강건하며, 보조 정보를 통해 냉시작 문제를 효과적으로 완화한다.
• Torch 플러그인 형태로 공개된 구현은 후속 연구 및 애플리케이션에서의 쉽게 통합과 재사용을 가능하게 한다.
• 실험 결과는 CFN이 두 벤치마크 데이터셋에서 다양한 평가 지표에서 기준 모델들을 일관되게 능가함을 확인한다.