<aside> ▪️ 간단 요약

사용자의 Review Data를 추천 시스템에 활용한 모델

User/Item 각각에 대한 Review Data를 사전 학습된 딥 모델을 활용하여 Word-Embedding을 수행한 후, 해당 Embedding에 대해 Convolution 연산을 수행하여 정보 추출

</aside>

Joint Deep Modeling of users and items Using Reviews for Recommendation(2017, WSDM)

사용자의 Review Data를 추천 시스템에 활용한 위 논문에서 제안한 구조

Background

Review Data에서 사용자 행동과 아이템 속성을 학습하기 위한 모델

• 2개의 병렬 신경망으로 구성되었으며 서로 상호관계를 학습한다.
• 신경망을 사용하여 리뷰에서 사용자와 아이템을 공동으로 모델링
• Review Data는 사전 학습된 딥 모델을 활용하여, Word-embedding 수행
• 실험 결과 review의 의미와 감성적 태도에 대한 정보 활용을 통해 희소성 해결 및 추천 성능 향상(SOTA 달성)

Architecture

1. Word Representation

   Review Data의 word representation을 위해 word2vec 사용

   $$ V_{1: n}^u=\phi\left(d_1^u\right) \oplus \phi\left(d_2^u\right) \oplus \phi\left(d_3^u\right) \oplus \quad \ldots \quad \oplus \phi\left(d_n^u\right) $$

2. CNN Layer

   1. 여러 개의 Convolutional Filter를 활용하여 특징 추출

      $$ z_j=f\left(V_{1: n}^u * K_j+b_j\right) $$

   2. max pooling을 통해 highest value만 추출

      $$ o_j=\max \left\{z_1, z_2, \ldots, z_{(n-t+1)}\right\} $$

   3. Fully Connected Layer을 통해 모든 특징을 고려

      $$ \mathbf{x}_{\mathbf{u}}=f(W \times O+g) $$

   

3. Shared Layer

   Word-Embedding과 CNN을 통해 생성된 사용자와 아이템 특징을 동일한 공간에 맵핑하기 위해 두 개를 결합

   서로 다른 두 특징의 상호 작용을 모델링하기 위해 FM 사용

Experiments

성능 비교

• MF=Matrix Factorization
• PMF=Probabilistic MF
• LDA=Latent Dirichlet Allocation
• CTR=Collaborative Topic reg
• HFT=Hidden Factor as Topic
• CDL=Collaborative DL

두개의 병렬 구조가 정말 효과적으로 학습이 되었는지 평가

• TFIDF — 단어 임베딩 대신에 TF-IDF 체계를 사용하여 Deep-CoNN에 입력 사용
• Random — 모든 단어 표현을 고정 길이 벡터로 무작위 초기화한 기본 모델

Conclusion

• 사용자에게 최선의 제품을 추천하기 위해 리뷰 데이터를 활용하여 등급을 예측
• 리뷰를 바탕으로 사용자 행동에 대한 특징과 아이템 특성과의 상호작용을 학습하는 모델
• 사용자 및 아이템에 대한 잠재 요인을 개별적으로 활용도 가능하지만 서로 보완 및 활용 가능