Please enable JavaScript.
Coggle requires JavaScript to display documents.
Deep RecSys (기존 추천 시스템의 한계 (데이터의 희박성 (explicit feedback이 더욱 희박한 편인데, 딥모델은…
Deep RecSys
기존 추천 시스템의 한계
데이터의 희박성
explicit feedback이 더욱 희박한 편인데, 딥모델은 implicit feedback을 백분 활용하기 때문에 이러한 문제에 보다 robust하다!
Cold-start 문제
이것은 딥모델도 마찬가지로 풀기 어려운 문제이다.(정확히 표현하자면 정답이 없는 문제이다) 하지만 CF 방법과 Content-based 방법을 모두 사용하는 일부 hybrid 딥모델에서 주장하기로는, 이들이 Cold-start 문제에 좀더 강건하다고 한다.(수학적인 증명은 어디에?)
측정 지표에 따라 요동치는 성능
깊은 딥모델일수록 우리의 직관으로는 이해하지 못하는 고차원적 특징을 찾아서 학습하기 때문에, 서로 다른 성능지표에 대해서 일반화(regularization) 효과가 뛰어나다!
분류
기존 분류 방법
-
Collaborative Filtering
RBM-CF, AutoEncoder-CF, Deep AutoRec
-
Task에 따라
Rating prediction (28%)
RBM-CF, AutoEncoder-CF, Deep AutoRec
-
-
-
-
-
MLP 기반 딥모델
-
Wide & Deep Model
-
{Wide, Deep} 네트워크에 넣어줄 feature를 손으로 직접 engineering 해주어야 함
-
AE 기반 딥모델
-
-
AutoEncoder-based CF
-
-
AutoRec과 비슷한 구조지만, input형식이 다름
-
-
-
CNN 기반 딥모델
Attention-based CNN
-
Left network: attention layer accounts for 'local' attention, Right network: CNN layer accounts for 'global' attention
-
DSSM 기반 딥모델
DSPR
tag공간을 공유하는 서로 다른 두 도메인(user, item)으로부터 semantic 정보를 학습하여 유사도를 측정 후 추천에 이용
-
-
-
-
GAN 기반 딥모델
IRGAN
생성적 검색, 분류적 검색을 융합한 통합 추천시스템 프레임워크 제시
-
-
-
성능 지표: MRR, MAP, Precision/Recall at K, NDGC
성능 지표: Accuracy, Precision-Recall, F1-score
-
