Collaborative filtering is a widely used approach in recommendation systems due to their performance. However, there is a disadvantage that it is impossible to recommend new user or item that doesn't have a preference. This problem is called the cold start problem. In recent years, many hybrid recommendation systems have been proposed as a way to solve the cold start problem. However, most of them contain content-based objective terms that degrade the performance of recommendation, and require a complex optimization process. In order to solve these problems, we propose a hybrid recommendation system called content-based basis extracting autoencoder with column-dropout(CABA-CD). The proposed algorithm overcomes the disadvantages of the existing hybrid recommendation systems. Empirically, we demonstrate state-of-the-art performance for both warm start and cold start on benchmark datasets.
협업 필터링은 높은 성능으로 인해 추천시스템에서 널리 사용되는 접근 방식이다. 하지만 과거 이력이 존재하지 않는 새로운 사용자나 아이템에 대해서는 추천이 불가능하다는 단점이 있다. 이러한 문제를 cold start problem이라 한다. 최근 몇 년간 cold start problem을 해결하기 위한 방법으로 하이브리드 추천시스템들이 많이 제안되었다. 하지만 이 중 대부분은 추천 성능을 저하시키는 콘텐츠 기반 목적 항을 목적식에 포함하고 있고, 복잡한 최적화 과정을 요구한다. 또한 cold start에서 성능이 높아질수록 warm start의 성능이 낮아지는 경향을 보인다. 위 문제점들을 해결하기 위해 본 논문에서는 하이브리드 추천시스템인 content assisted basis extracting autoencoder with column-dropout(CABA-CD)를 제안한다. 제안 알고리즘은 기존 하이브리드 추천시스템의 단점들을 극복하였다. 그리고 벤치마크 데이터셋을 사용한 실험에서 warm start와 cold start 모두 state-of-the-art performance를 달성하였다.
