This thesis examines hybrid collaborative filtering, which is a class of the collaborative filtering methods with multiple high dimensional auxiliary information. Regarding methodology, we consider structured probabilistic models and deep generative models. In the first chapter, we look at structured probabilistic models for phenotyping with electronic health records in the field of medical informatics. In the second chapter, we explore the modeling aspects of deep generative models for hybrid collaborative filtering. Finally, the third chapter deals with a hybrid collaborative filtering model considering domain characteristics. We propose and compare structured probabilistic models and deep generative models for hybrid collaborative filtering. In particular, we cover various modeling aspects in terms of deep generative models and compare them empirically. These results can be useful guidelines for future research and are expected to contribute to the expansion of the relevant fields. We also propose a hybrid recurrent collaborative filtering model for sequential diagnosis prediction that considers the medical domain characteristics. This effort can contribute to overcoming the limitations of static collaborative filtering methods.
본 학위논문은 여러 종류의 고차원 데이터를 다루는 협업 필터링 (하이브리드 협업 필터링)을 위한 모델들을 살펴본다. 방법론적 측면에서 구조적 확률 모델과 딥 생성 모델을 고려한다. 첫 번째 장에선 의료 정보학 분야의 표현형 발견 문제를 대상으로 구조적 확률 모델을 살펴본다. 두 번째 장에서는 하이브리드 협업 필터링을 위한 딥 생성 모델의 모델링 측면을 탐구한다. 마지막으로 세 번째 장에서는 도메인 특성을 고려하는 하이브리드 협업 필터링 모델에 관해 다룬다. 본 학위논문은 하이브리드 협업 필터링이 방법론으로서 구조적 확률 모델과 딥 생성 모델을 비교 및 제안하였다. 특히 딥 생성 모델의 측면에서 다양한 모델링의 관점을 포괄하며 이것들을 실증적으로 비교하였다. 이러한 결과는 후속 연구를 위한 유용한 가이드라인이 될 수 있으며 협업 필터링 분야의 적용 분야 확대 및 성능 향상에 기여할 것으로 기대된다. 마지막으로 의료 도메인 특성을 고려하는 시계열적 하이브리드 협업 필터링 모델을 제안하여 기존의 정적인 협업 필터링의 한계점을 극복하고자 했다.
