Collaborative Filtering for Implicit Feedback Datasets

Implicit Feedback은 유저가 싫어하는 아이템에 대한 실질적인 증거가 부족함.(explicit에 비해)

따라서 본 논문에서는 implicit feedback의 고유한 속성을 식별한다.

데이터를 다양한 컨피던스와 관련된 긍정적이고, 부정적인 선호도의 지표로 취급하는 것을 제안한다.

우선 implicit feedback의 고유한 특성에 대해 알아보자.

논문의 핵심은 기존의 explicit feedback과 달리 implicit이 고유하게 가지는 특성들이 존재하므로(특히 선호도를 정량화해서 나타내기 힘들다거나, negative feedback이 없다는점) 이를 고려해서 confidence로 접근하는 것이다.

$r_{ui}$

이진 변수 $p_{ui}$ 는 선호도를 나타내는 indicate function

p_{u i} = {\begin{cases} 0, r_{u i} > 0 \\ 1, r_{u i} = 0 \end{cases}

$p_{ui} = \begin{cases} 0, \ \ \ r_{ui}>0 \\ 1, \ \ \ r_{ui}=0\end{cases}$

그런데 $r_{ui} = 0$ 일 지라도 그 아이템을 좋아하지 않는다고 말할 수 있을까? implicit은 앞서 말했던 것 처럼 noisy 하다.

따라서 이를 보완해줄 다른 방법을 제안한다.

c_{u i} = 1 + α r_{u i}

$c_{ui} = 1 + \alpha r_{ui}$

보는 것 처럼 $r_{ui}$ 가 증가할 수록 유저가 아이템을 좋아한다는 ‘‘신뢰도’‘가 강해지는 것을 정량화 했다.

따라서 이를 포함하는 로스 함수는 다음과 같다.

min \sum_{u, i} c_{u i} (p_{u i} - x_{u}^{T} y_{i})^{2} + λ (\sum_{u} | | x_{u} | |^{2} + \sum_{i} | | y_{i} | |^{2})

$\min \sum\limits_{u,i} c_{ui}(p_{ui} - x_u^Ty_i)^2 + \lambda(\sum\limits_u \vert\vert x_u \vert\vert^2 + \sum\limits_i \vert\vert y_i \vert\vert^2)$

위 식에서 선호도 $p_{ui}$ 는 기존의 user-item factor의 내적으로 사용한다.(위의 indicate랑 헷갈릴까봐 다시 적어준듯)

Referecne