Neural Collaborative Filtering

MF의 한계를 지적하여 신경망 기반의 구조를 사용해 더욱 일반화된 모델을 제시한 논문

Background

MLP 구조

Input Layer

User와 Item에 대한 One-Hot Encoding vector로 표현된다.

One-Hot Encoding vector을 latent vector로 변환해서 Embedding Vector로 넘긴다.

Embedding Layer

받은 두 Latent Vector을 연결(concatenate)하여 첫번째 Layer를 생성한다.

Neural CF Layers

Layer을 쌓는다.

$\phi_X\left(\cdots \phi_2\left(\phi_1\left(P^T v_u, Q^T v_i\right)\right) \cdots\right)$

• $\phi_x$: x번째 NN

Output Layer

$$ ⁍ $$

마지막 Layer에서는 활성함수로 Logistic이나 Probit 함수를 사용한다.

최종 모델 구조

Neural Matrix Factorization

• General MF와 MLP를 앙상블(ensemble)하여 사용
• 각각의 장점은 살리고 단점은 보완한다.
• GMF와 MLP는 서로 다른 embedding layer를 사용한다.

$$ \begin{aligned}& \phi^{G M F}=\left(p_u^G\right)^T q_i^G \\& \phi^{M L P}=\phi_X\left(\cdots \phi_2\left(\phi_1\left(p_u^M, q_i^M\right)\right) \cdots\right) \\& \hat{y}_{u, i}=\sigma\left(h^T\left[\begin{array}{l}\phi^{G M F} \\\phi^{M L P}\end{array}\right]\right)\end{aligned} $$

• GMF 코드
• NCF 코드
• NMF 코드
• 기존의 MF나 MLP모델보다 높은 성능을 보인다.