Recommender Systems12 VBPR (2016) 논문 리뷰 VBPR 논문 제목은 VBPR: Visual Bayesian Personalized Ranking from Implicit Feedback다. (링크) 저자들은 Ruining He, Julian McAuley다. Visual recommendation 방법으로, 이미지와 유저와 아이템의 상호관계를 모두 활용한 멀티모달 추천 시스템이다. Abstract최신 추천 시스템은 people and items를 모델링할 때 상품의 properties 속성과 사용자의 preference 선호도를 나타내는 근본적인 차원을 발견하거나 분석한다. 중요한 것은 이러한 차원들이 사용자 피드백, 특히 purchase histories 구매 내역, browsing logs 검색 기록 등의 implicit form 암묵적인 형태를.. 2025. 6. 24. Session-based & Sequential Recommender Systems Basics Session-based recommender systems이란 특정한 시간 구간 동안인 session에 기반한 추천을 의미한다. Session의 길이에 따라서, 유저의 단기적인, 중기적인, 장기적인 interactions나 선호를 기반으로 하여 추천을 하게 된다. 시간의 개념이 들어가기 때문에 유저가 아이템들과 상호작용한 순서를 고려한 Sequential recommender systems와도 연결된다. 여기서는 간단하게 아래의 논문들을 살펴본다. GRU4RecSR-GNNSASRecCaserCL4SRecTransformers4RecBERT4Rec은 재현성의 문제가 있다고 알고 있어서 제외한다. Session-based & Sequential Models GRU4RecGRU4Rec의 논문.. 2025. 6. 20. Socio Based Recommender Systems 사회학에서는 Homophily라는 현상이 있는데, 사람들은 서로 유사한 성향이나 취향을 지닌 사람들끼리 모인다 이야기다. 이 개념은 논문 Birds of a Feather: Homophily in Social Networks에서 제시되었다. (링크) 추천 시스템에서는 2가지 측면에서 이를 추천 성능의 향상에 이용할 수 있다. 첫 번째는 아이템 추천으로 유사한 유저들의 정보를 이용해서 대상 유저에게 아이템을 추천한다.두 번째는 SNS처럼 사람들 간의 관계 추천에서 유사한 유저들을 추천한다. 여기서는 간단하게 아래의 모델들을 살펴본다. SoRecLOCABALGraphRec Social Recommender Systems SoRecSoRec의 논문 이름은 SoRec: Social Recommendat.. 2025. 6. 20. Graph Based Recommender Systems 우선 그래프를 다음 2가지를 활용해서 (링크1, 링크2)에 간략하게 살펴보자면 다음과 같다. 결국, 무언가들의 연결을 알아보기에 좋은 자료 형태다. 추천의 경우 이 사람이 이 영화를 좋아하는 이유가 영화의 장르 때문인지, 배우 때문인지 등을 연결 관계에 대해서 살펴보면 확인할 수 있다. SNS나 바이러스의 확산 같은 경로의 전파에도 쓸 수 있다. 추천의 경우 어떤 집단에서 다른 집단으로 퍼져나가는지를 확인할 수도 있을 것 같다. Basic Graph Neural NetworksAdjacency matrix 인접 행렬이나 이를 이용해서 도출하는 Laplacian Matrix를 MLP들을 통해서 학습하는 기본적인 형태의 Graph Convolutional Network를 생각할 수 있다. GNNs i.. 2025. 6. 20. Matrix Factorization Based Recommender Systems Basic Matrix Factorization 추천 시스템에서의 Matrix factorization 행렬 분해는 다음과 같다. User-Item matrix $R \in \mathbb{|U| \times |V|}$을 user matrix인 $U \in \mathbb{|U| \times d}$와 Item matrix $V \in \mathbb{|V| \times d}$의 곱으로 분해한다. $R = UV_\top$ Item Matrix는 아래 Figure 1에서는 Home Matrix이고, $d$는 user와 item embedding의 차원이다. 유저를 $u$, 아이템은 $i$, 유저 $u$가 아이템 $i$에 매긴 점수 $r_{i, j}$에 대한 예측을 $\hat{r}_{i, j}$라고 표기한다.. 2025. 6. 20. 추천 시스템 라이브러리와 데이터 리서치 라이브러리 grahamjenson의 List of Recommender Systems Github : 링크 여러개 중에서 사용해봤던 라이브러리는 다음과 같다. Implicit: 링크Surprise: 링크Spotlight: 링크 LightFM: 링크LibRecommender: 링크MS의 recommender: 링크 몇년 전에 Tensor flow가 1.xx 일때, 그리고 PyTorch도 1.xx 버젼일 때 확인했기 때문에 지금은 제대로 작동하는지 확인할 필요가 있다. TensorFlow의 recommeders (링크), PyTorch의 torchrec (링크), Nvidia의 Merlin (링크), RUCAIBox의 RecBole (링크)도 한 번 살펴보면 좋을것 같다. 데이터RUCAIBox의 Data.. 2025. 6. 19. 이전 1 2 다음
