논문 : https://arxiv.org/abs/1511.06939

레퍼런스 / 학습 자료

발표 자료

Abstract

• RNN(Recurrent Neural Networks)를 새로운 영역인 추천시스템에 적용했다.
• 세션 단위의 데이터만 존재할 때, MF(Matrix Factorization)이 정확하기 어려워, 아이템 유사도 기반 추천 정도만 사용됐다.
• RNN 구조를 사용하면, 세션 전체의 데이터를 반영하는 추천 시스템이 설계 가능하다.
• 이를 위해 Ranking loss를 고안했고, 기본적인 RNN구조를 커스터마이징 했다.
• 두 데이터셋에서 널리 사용되는 방법들에 비해 월등한 결과를 얻을 수 있다.

1. Introduction

RecSys 일반 개요 - 딥러닝 이전

• 소형 서비스에서는 긴 기간동안의 유저의 패턴을 파악하기 어렵거나, 세션별 데이터만 존재해 모든 세션을 독립적으로 볼 수밖에 없다(같은 유저라도)
• 그래서 지금까지는 아이템 유사도, transition 확률 정도만 사용되어, 유저의 세션 내 이전 클릭들을 종합적으로 반영하기 어려웠다.
• RecSys 일반에서 latent factor 모델들(특히 MF)과 유사도(neighborhood) 방법이 널리 사용돼 왔다.
• Factor 모델은 유저 데이터가 부재한 세션 데이터에 적용이 불가하고 유사도 모델은 아이템의 순서를 무시하기 때문에 명백한 한계가 존재.

RecSys 일반 개요 - 딥러닝 이후

• 딥러닝이 Image와 Speech Recognition 분야에서 많은 성공을 보여줬다.