<aside> ✔️ 간단 요약

VBPR = BPR-MF + Visual signal

$$ \widehat{x}{u i j}=\widehat{x}{u, i}-\widehat{x}_{u, j} $$

• Input
  • Rating : implicit feedback
  • Item's content: product image
• Output
  • Predicted implicit feedback for top-K ranking

BPR

</aside>

VBPR: Visual Bayesian Personalized Ranking From Implicit Feedback

이미지 비정형 데이터를 추가하여 베이지안 이론을 기반으로 개발한 추천 시스템

ABSTRACT

• 구매 내역, 검색 로그와 같은 Implicit(암시적) 데이터를 활용
• 기존에 일반적으로 사용하지 않던 이미지 특성 사용
• 대규모 데이터에 적용
• 확장 가능한 Factorization Machine Model기반
• 개인화 추천 성능 향상 및 콜드스타트 문제 완화
• 추천 결과에 대한 시각적 차원으로 해석 도움

INTRODUCTION

• 암시적 데이터에서 개인화된 선호 순위를 선정하기 위해 이미지 특성을 활용

• 대규모 데이터를 활용하기 위해 MatrixFactorization알고리즘으로 접근

  Matrix Factorization 접근 방법에 이미지 특성을 더하는 구조

• 사람들이 제품을 선택할 때 고려하는 시각적 차원을 모델로 학습

• 이를 통해 콜드 스타트 문제를 완화하고 시각적 차원에서의 설명 가능한 추천이 가능

• 이미지 요인을 발견하는데 더 적합한 BPR 기반 훈련

MODEL

BPR은 확률적 경사 상승법으로 학습하여 pair-wise ranking optimization framework 구성

피드백을 받지 못한 아이템들 중 유저가 가장 선호할 것 같은 아이템 순위를 구하는 모델

기존 BPR에서 학습 데이터는 총 3개$(u,i,j)$로 구성

• $u:$ 사용자
• $i:$ 사용자가 긍정적인 피드백을 남긴 아이템
• $j:$ 사용자에게 관찰되지 않은 아이템