정보과학회논문지 (Journal of KIISE)
Current Result Document :
| 한글제목(Korean Title) |
오토 인코더 기반 추천 시스템을 위한 잠재 표현 학습 방법 |
| 영문제목(English Title) |
Latent Representation Learning for Autoencoder-based Top-K Recommender System |
| 저자(Author) |
박동민
강준혁
이재길
Dongmin Park
Junhyeok Kang
Jae-Gil Lee
|
| 원문수록처(Citation) |
VOL 47 NO. 02 PP. 0207 ~ 0215 (2020. 02) |
한글내용
(Korean Abstract) |
온라인 상의 상품의 수가 기하 급수적으로 증가함에 따라 고객이 스스로 원하는 상품을 찾는 것이 어려워졌다. 적절한 상품의 추천은 고객의 잠재적 수요를 만족시키고 판매자의 이윤을 증대시키기에 그 중요성이 상당히 크다. 최근에는 인공신경망을 활용한 차원 축소 기법인 오토 인코더 기반의 협업 필터링 방법이 성능 면에서 두각을 나타내었다. 하지만, 오토 인코더의 잠재 표현 분포 조정을 통해 추천 성능을 향상시키는 방법은 아직 많이 연구되지 않았다. 본 연구에서는 오토 인코더 기반 협업 필터링 방법에 결합되어 상품 추천 성능을 더욱 향상시키는 밀집 잠재 표현 학습방법 (DenseLR)을 제안한다. 본 연구의 핵심 아이디어는 유저 구매 정보 벡터들의 잠재 표현을 효과적으로 밀집 시킴에 따라 축소 차원에서의 협업 필터링 효과를 강화하는 것이다. 3가지 실제 구매 데이터 셋에 대해 기존 최첨단 연구들과 성능 비교실험을 진행한 결과 제안 방법이 모든 데이터 셋에 대해 가장 높은 성능을 보였다.
|
영문내용
(English Abstract) |
As the number of products on the Internet is growing exponentially, it becomes more difficult for customers to choose the product they want. Many researchers have been actively making efforts to develop appropriate recommender systems that satisfy the potential demand of the customer and increase the profit of the seller. Recently, collaborative filtering methods based on an autoencoder have shown high performance. However, little attention has been paid for improving the recommendation performance by changing the distribution of latent representation. In this paper, we propose the Dense Latent Representation learning method (DenseLR) which is combined with the autoencoderbased collaborative filtering method to further improve product recommendation performance. The key idea of the DenseLR is to tighten collaborative filtering effects on the latent space by effectively densifying the latent representations of user (or item) rating vectors. In performance compariso experiments on three real-world datasets, DenseLR showed the highest recommendation performance for all datasets. Furthermore, DenseLR can be flexibly combined with a wide range of autoencoderbased CF models, and we empirically validated the improvement of the f1@k score ranging from 4.6% to 23.7%.
|
| 키워드(Keyword) |
표현 학습
recommender system
collaborative filtering
autoencoder
representation learning
|
| 파일첨부 |
PDF 다운로드
|
