Abstract
relations between pairs of items, model-based Sparse LInear Method (SLIM)
learns two sparse aggregation coefficient matrices S and S 0 that capture the item-item and items
CF 추천 정확도는 일반적으로 higher-order 상호작용을 고려했을 때 성능 향상이 있었다. deep nonlinear model 이 이론적으로 higher-order 상호작용을 학습할 수 있지만, 실전에서는 상당히 제한적이다. 더욱이 낮은 차원의 deep network embedding 은 표현력을 매우...
1. 추천 시스템 내 대부분의 데이터는 그래프 구조를 가진다. real world 에서 객체들은 서로 explicit 또는 implicit 하게 연결되어 있다. 그리고 그 객체는 사용자, 아이템, 속성등 이 될 수 있다. 2. 그래프 학습은 복잡한 관계를 학습할 수 있다. random walk 나 GNN 과 같은...
이 논문에서는 추천 시스템에서 sparse data 를 linear model 로 학습하는 방안을 제시했다. 학습에 사용한 training objective 는 closed-form solution 으로 표현될 수 있다. 실험 결과 SOTA CF 방식보다 더 나은 ranking accuracy 를 보였다. 여기서...
Discussion 메타 러닝을 이용해서 일부 아이템을 소모한 사용자들에게는 더 빠르게 학습할 수 있다고 한다. 즉, 완전 cold-start 는 아닌 case. Abstract 기존 추천 방식의 한계점들 (1) the users who consumed a few items have poor...
cold 와 warm 시나리오를 둘 다 처리할 수 있는 모델을 만드는 것
the critical challenges of GNN-based recommendation and the potential solutions 에 중점을 두고 설명함 extensive background of recommender systems and graph neural networks 부터 설명을 시작...
A wide linear model and a deep neural network are trained together to both memorize and generalize a recommendation systems.
WSABIE 는 대규모 이미지 주석 데이터에 대해 높은 성능을 보이는 방법으로, 주어진 이미지에 대해 상위 순위의 주석 리스트를 반환하는 데 최적화된 모델입니다. 이 방식은 기존의 baseline 방법들보다 빠르고 메모리 사용량이 적습니다.
SLIM 이 높은 ranking 정확도를 여러 논문 실험에서 보여줬지만, 데이터를 통한 파라매터 학습 비용이 너무 높았다. 그래서 이 논문에서는 이를 고차원 회귀 문제의 variants 로 생각하고 closed-form solution 을 제안한다.
The VAE model assumes that the observations are independent and identically distributed (i.i.d.).