Context-aware Recommendation 행렬 분해 기법(MF)을 활용한 협업 필터링의 한계 개별 유저와 개별 아이템 간 상호작용을 2차원 행렬로 표현한다. 그러나 이는 유저의 데모그래픽이나 아이템의 카테고리 및 태그 등 여러 풍부한 특성(feature)들을 추천 시스템에 반영할 수 없다. 또한 유저-아이템의 상호작용 정보가 아직 부족할 경우, 즉 'cold start'에 대한 대처가 어렵다. Context 기반 추천 시스템 유저와 아이템 간 상호작용 정보 뿐만이 아니라 맥락(context)적 정보도 함께 반영하는 추천 시스템이다. $X$를 통해 $Y$의 값을 추론하는 일반적인 예측 문제에 두루 사용할 수 있는 General Predictor이다. $$ R: User \times Item \t..
Context 기반 추천 모델인 FM(Factorization Model)과 FFM(Field-aware Factorization Machine)
Context-aware Recommendation 행렬 분해 기법(MF)을 활용한 협업 필터링의 한계 개별 유저와 개별 아이템 간 상호작용을 2차원 행렬로 표현한다. 그러나 이는 유저의 데모그래픽이나 아이템의 카테고리 및 태그 등 여러 풍부한 특성(feature)들을 추천 시스템에 반영할 수 없다. 또한 유저-아이템의 상호작용 정보가 아직 부족할 경우, 즉 'cold start'에 대한 대처가 어렵다. Context 기반 추천 시스템 유저와 아이템 간 상호작용 정보 뿐만이 아니라 맥락(context)적 정보도 함께 반영하는 추천 시스템이다. $X$를 통해 $Y$의 값을 추론하는 일반적인 예측 문제에 두루 사용할 수 있는 General Predictor이다. $$ R: User \times Item \t..
2022.03.19