[Recsys] 추천시스템 주요 논문 리스트 정리

 

논문 리스트

[Bayesian]

• BPR: Bayesian Personalized Ranking from Implicit Feedback
• VBPR: visual bayesian personalized ranking from implicit feedback

 

[CF]

• Collaborative Filtering for Implicit Feedback Datasets 
• Collaborative Topic Modeling for Recommending Scientific ArticlesItem-Based Collaborative Filtering Recommendation Algoruthms
•  AutoRec: Autoencoders Meet Collaborative Filtering

[neural network]

• Deep Neural Networks for Youtube Recommendations
• 7. Neural Collaborative Filtering
• Session-based recommendation machine based neural network for CTR prediction
• ITEM2VEC: Neural Item Embedding for Collaborative Filtering
• Neural Gragh Collaborative Filtering
• LightGCN : Simplifying and powering Graph Convolution Network for Recommendation

[FM]

• Factorization Machines
• DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
• Field-aware Factorization Machines for CTR Prediction

[기타]

• Self-attentive sequential recommendation
• BERT4Rec: Sequential recommendation with bidirectional encoder representations from transformer
• Transformers4Rec: Bridging the Gap between NLP and Sequential/Session-Based Recommendation
• Collaborative Denoising Auto-Encoders for Top-N Recommender Systems

참고하기

1. 추천시스템 모델이 활용하는 데이터의 종류

에는 user 자체의 데이터, item 자체의 데이터, user-item feedback데이터가 있습니다. 

 

user 데이터란, 사용자의 이름, 주소, 나이, 전화번호 등에 해당합니다.

item 데이터란, 상품의 이름, 제조년도, 제조회사, 상품 사진 등에 해당합니다.

user-item feedback 데이터란,

유저가 상품에 대한 기호를 나타내는 데이터로

유저가 상품에 대한 기호를 직접적으로 평가한 explicit feedback과 

유저가 상품에 대한 기호를 간접적으로 평가한 implicit feedback이 존재합니다.

 

간접적인 평가란,

예를들어 유튜브 유저가 어떠한 동영상을 처음부터 끝까지 페이지를 나가지 않고 시청했다면

그 동영상을 재미있게 시청했다고 유추해볼 수 있고, 동영상을 끝까지 시청하지 않고 중간에 나왔다면

그 동영상을 지루하다고 느꼈음을 유추해볼 수 있는 것 처럼

유저의 행동 정보를 통해 아이템에 대한 간접적인 평가를 유추해볼 수 있습니다.

 

2. 추천시스템의 경우  user-item간의 다양한 interaction에 대한 data 확보가 어렵기 때문에

데이터간의 interaction을  여러 layer로 생성하는 딥러닝 모델을 활용할 경우 과적합이 발생할 가능성이 높아집니다.

 

이러한 이유로 추천시스템에서는 다른 도메인(CV,NLP)분야에 비해서 딥러닝 모델이 비교적 적게 사용되고

머신러닝 기법이 많이 사용되어왔다고 합니다.

 

또한, 이러한 문제를 해결하기 위해 데이터의 특성을 고려하여 특성에 맞는 머신러닝모델과 딥러닝모델을 결합한 모델을 활용하는 등의 방법을 모색할 수 있습니다. ex) FM + DCN

 

정리하기

1. 추천시스템의 경우 전통적인 아이디어인 Collaborative Filtering를 발전시킨 다양한 모델과 관련된 논문들이 있습니다.
2. attention, BPR, Autoencoder, gragh구조 등 추천시스템이라는 도메인을 떠나서 중요 topic이 활용됨을 알 수 있습니다.
3. NLP의 Word2vec 아이디어를 활용한 ITEM2VEC, BERT4Rec, Denoising 등 다른 도메인에서 효과적인 모델의 아이디어를 활용함을 알 수 있습니다.
4. user-item의 feedback data만을 활용하는 CF 모델의 한계를 보완하기 위해, 다양한 feature또는 문맥을 고려하는 FM계열의 모델을 확인할 수 있습니다.

 

아래 링크를 참고하였고, 아래링크는 해당 논문들을 다운받을 수 있는 경로를 제공합니다.

참고링크 : https://blog.naver.com/boostcamp_official/222942213787