Neural Word Embedding based One-Class Collaborative Filtering Recommender System

Abstract

Recommender system is one of the widely implemented techniques today in various fields involving user-item interaction. Collaborative filtering is one method of recommender system that predicts unobserved user preference based on previous user’s interaction with items and that of other similar users. While there are a number of precedent researches on collaborative filtering method with explicit feedbacks, there are relatively less studies done on implicit feedback or one-class collaborative filtering due to its challenges of limited information. In this paper, we apply neural word embedding method to one-class collaborative filtering to enhance the performance of recommender system in comparison with traditional matrix factorization method. We further propose a novel approach in implementation of neural word embedding that clusters users to reflect the subtle preference difference in different clusters. MovieLens dataset is used for the experiments to compare the performances of the methods. The results show that implementation of neural word embedding method outperforms the traditional matrix factorization method, and further performance enhancement in the order and accuracy of recommendations is proved for the proposed model.;추천 시스템은 오늘날 이용자 – 아이템 간의 상호 작용을 포함하는 다양한 분야에서 널리 구현되는 기술 중 하나이다. 협업 필터링은 이용자와 아이템 간의 상호작용 및 다른 유사한 사용자의 상호작용을 기반으로 관찰되지 않은 이용자 선호를 예측하는 추천 시스템의 한 방법이다. 명시적 피드백을 사용하는 협업 필터링 방법에 대한 선행연구는 다양하게 이루어지는 반면, 현실적인 문제 상황을 반영함에도 불구하고 제한된 정보라는 한계로 인해 암시적 피드백이나 단일 분류 데이터를 활용한 협업 필터링(One-class collaborative filtering)에 대해서는 상대적으로 활발한 연구가 이루어지지 않고 있다. 본 논문에서는 기존의 행렬 인수 분해 방법과 비교하여 단일 분류 협업 필터링에 신경망 단어 임베딩(Neural Word Embedding) 방법을 적용해보고 추천시스템에서의 그 성능을 확인한다. 또한, 신경망 단어 임베딩 기법을 이용하여 이용자를 군집화하고, 서로 다른 이용자 클러스터에 존재하는 미세한 선호의 차이를 반영하는 새로운 접근법을 제안한다. MovieLens 데이터셋을 사용하여 제안된 모형을 포함한 각 기법의 성능을 비교하는 실험을 진행하고 각 변수에 적절한 값을 탐색한다. 실험 결과, 기존의 행렬 인수 분해 방법보다 신경망 단어 임베딩을 적용한 단일 분류 협업 필터링의 우수성을 확인할 수 있었으며, 군집화를 통한 신경망 아이템 임베딩 추천시스템이 아이템의 추천 순서 및 추천 시스템의 정확도를 효과적으로 향상함을 확인하였다.