배경

• Implicit feedback datasets인 경우가 대다수인 상황에서, Implicit Feedback 데이터에 적합하도록 MF 기반 모델을 설계하여 성능을 향상시킨 논문

Implicit Feedback 고려

• 기존에 Explicit 데이터를 다룰 땐 0으로 남은 데이터들은 버리고 학습을 진행하였음
• 하지만 본 논문에서는 0으로 남아있는 데이터들도 학습에 다 포함시키고, ‘신뢰도’ 개념을 추가함.

  • preference(선호도)

    

    • $r_{ui}$ : 유저 u와 아이템 i의 상호작용(유저가 해당 아이템을 몇 번 조회했는지, 얼마나 머물렀는지 등)(즉, 아이템 i에 대해 행동을 했으면 1, 아니면 0임)

  • confidence(선호하는 정도) : $r_{ui}$가 커질수록 강하게 선호한다는 것(많이 봤을수록 좋아할 확률이 높다).

    

    • $p_{ui}$를 통해 우리는 평점이 남아있지 않는 데이터를 모두 0으로 바꿔주었음. 그러나 여기에는 선호하지만, 아직 관측되지 않은 데이터들도 포함되어 있음. 즉, 이 선호도는 신뢰도가 낮은 상태임. 따라서 이 신뢰도를 표현하는 confidence라는 변수는 낮을 것임
    • $\alpha$는 positive feedback과 negative feedback 간 상대적인 중요도를 조정하는 하이퍼파라미터임 (논문에선 40이 쓰임)

러닝 알고리즘

• implicit을 고려한 MF에서는 관측치가 0인 경우도 고려해주었기 때문에 계산량이 엄청 많아짐.
• 따라서 속도가 빠른 ALS 알고리즘을 사용하여 계산을 최적화하였음