Joint Training of Ratings and Reviews with Recurrent Recommender Network(2017, ICLR Workshop)

Rating과 Review 데이터를 RNN을 통해 추천하는 모델(SOTA)

시간적인 패턴을 Recurrent 구조를 통해 학습

사용자와 아이템의 동적 구성 요소 특징 추출

Background

Model

• 과거 사용자의 평점과 과거 영화의 평점을 Recurrent구조로 시간적 상태 변화를 모델링한다.

• Rating Emission

  시간 흐름에 따라 변하는 특징들을 보완하기 위해 시간에 따라 변하지 않은 요인도 반영하여 Recurrent구조의 단점을 보완한다.

• Character 단위 LSTM네트워크

  Character — 그림의 Film과 같이 단어를 구성하는 제일 작은 단위

• Task — 최근 평점으로 다음 시점 상태 평점을 예측

EXPERIMENTS

예측 성능을 실험하기 위해 K-core of IMDB 데이터 사용

다른 데이터 셋에서의 성능과 모델 특징을 비교하기 위해 넷플릭스 데이터도 사용

• PMF(Mnih &Salakhutdinov,2007)
• Time-SVD++(Koren,2010)
• AutoRec(Sedhain etal.,2015)
• Recurrent구조를 활용한 모델의 성능이 우수하며 review데이터를 활용하면 추가적인 성능 향상

Conclusion