<aside> ✔️ 간단 요약

유저-아이템 상호작용 뿐만 아니라, 맥락(context)적 정보도 함께 반영한다.

General Predictor, FM, FFM

</aside>

Background

• 유저와 아이템 간 상호작용 정보 뿐만 아니라, 맥락(context)적 정보도 함께 반영한다.

장점

• 다양한 정보를 반영하기 때문에, MF 기반 모델보다 성능이 뛰어나다.

단점

• 선형성에 의존한다.
• 특정 Task에서만 유의미한 성능이 나타난다.

General Predictor

X를 통해 Y의 값을 추론하는 일반적인 예측 문제에 사용이 가능하다.

$$ \tt R: User \times Item \red{\times Context} \rightarrow Rating $$

활용 예시 — 유저가 특정 아이템을 클릭할 확률

유저가 주어진 아이템을 클릭할 확률(probability)을 예측하는 문제

이 때, 클릭 여부가 예측해야 하는 y값이 된다.

0 또는 1이므로 이진 분류(binary classification) 문제에 해당된다.

• Click Through Rate Prediction(CTR 예측)

이진 분류 문제의 단순한 해결책

• Logistic Regression

  $$ \operatorname{logit}(P(y=1 \mid x))=\left(w_0+\sum_{i=1}^n w_i x_i\right), \quad w_i \in \mathbb{R} $$

  • 단순한 Logistic Regression으로는 변수간의 상호작용을 모델링할 수 없다.

• Polynomial Model

  $$ \operatorname{logit}(P(y=1 \mid x))=\left(w_0+\sum_{i=1}^n w_i x_i,\blue{+\sum_{i=1}^n \sum_{j=i+1}^n w_{i j} x_i x_j}\right), \quad w_i, w_{i j} \in \mathbb{R} $$

  변수간 내적을 추가하여 상호작용을 고려한다.

  파라미터 수가 급격히 증가한다는 단점이 있다.

CTR 예측 문제에 사용되는 데이터

대부분 sparse feature로 구성된다.