Providing customized recommendations to users is a very important business issue. The most typical algorithm is a collaborative filtering algorithm. Collaborative filtering is a type of method that computes the degree of similarity between users or products and provides recommendations to users. In recent years, deep learning algorithms have attracted much attention due to various methods that complemented the weakness of deep learning with the development of hardware. Several algorithms have been applied to recommendation systems to keep pace with this paradigm. The center of the algorithm is the auto-encoder model. The auto encoder is originally an unsupervised learning model designed for pre-training of the deep learning model. When the input matrix is entered into the model, it can be said to be a matrix completion technique in which the existing sparse matrix is transformed into a dense matrix. In this study, we used Side information to make the Autoencoder model effectively complete the Matrix. In order to compensate for insufficient explanatory power of existing sparse matrix, we used user log data which is side information. To measure the performance of these models, we conducted experiments with user review data of Video category on Amazon.com. As a result, we proved that the model with side information is better than the existing model.
사용자에게 맞춤화된 추천을 제공하는 것은 비지니스적으로 매우 중요한 이슈이다. 가장 대표적인 알고리즘으로는 협업 필터링이 있다. 협업 필터링이란 사용자 또는 상품간의 유사도를 계산하여 사용자에게 추천을 제공하는 유형의 방식을 의미한다. 최근 학계에서는 하드웨어의 발전과 함께 딥러닝의 약점을 보완한 여러 방법론 덕분에 딥러닝이 큰 관심을 받고 있다. 추천 시스템에도 이러한 패러다임에 발맞추고자 여러 알고리즘이 적용되고 있다. 그 중심에 있는 알고리즘이 오토인코더 모델이다. 오토인코더는 본래 딥러닝 모델의 Pre-training을 위하여 고안된 Unsupervised learning 모델이다. Input matrix가 모형에 들어가게 되면, 기존의 Sparse matrix가 Dense matrix로 변환되어 나오는 matrix completion 기법이라고도 할 수 있다. 본 연구에서는 Autoencoder 모델이 효과적으로 Matrix를 completion하도록 Side information을 활용하였다. 기존 Sparse matrix의 부족한 설명력을 보충하고자 사용자 로그 데이터를 사용한 것이다. 이러한 모형의 성능을 측정하고자 Amazon.com에서 Video 카테고리의 사용자 리뷰 데이터를 통하여 실험을 진행한 결과, Side information을 적용한 모델이 기존의 모델들보다 좋은 성능을 보이는 것을 입증하였다.
