임베딩 가중치 결합을 통한 순환 신경망 기반 추천 모델의 성능 향상 기법

Abstract

최근 많은 분야에서 딥러닝 기술을 적용하여 큰 성능 향상을 이루어냈다. 사용자가 선호하는 컨텐츠를 추천해주는 추천 시스템에도 딥러닝을 적용하는 사례가 늘고 있다. 딥러닝 모델들 중 하나인 순환 신경망(Recurrent Neural Networks)은 평점이 주어지지 않은 환경에서 한 세션 상의 단기 기록만으로 컨텐츠를 추천하는 세션 기반 추천과 여러 번의 접속을 통해 축적된 장기 영화 시청 기록을 분석하여 영화를 추천하는 시스템에 적용되어 기존의 추천 기법들보다 더 좋은 성능을 보여주었다. 본 논문에서는 지금까지 제시된 순환 신경망 기반 영화 추천 모델을 개선하기 위하여 가중치 결합 기법을 활용한 순환 신경망 기반 추천 모델의 학습을 제안한다. 이 기법을 적용하여 추천 모델의 학습에 타겟 영화와 다른 영화들 간의 유사도를 이용한다. 그리고 embedding matrix와 projection matrix를 하나의 matrix로 묶어 추천 성능을 높인다. 또한 순환 신경망 기반 추천 모델을 기존에 제시된 방법보다 정확하게 평가하기 위하여 점진적 추천 수행을 통해 성능을 평가한다. 기존의 평가 방법은 추천 모델이 한 유저의 모든 영화 시청 기록을 보고 수행한 하나의 추천 결과를 평가한다. 점진적 추천 방법은 추천 모델이 입력받는 영화 시청 기록의 길이를 점점 키워가면서 여러 번의 추천을 수행하고 그 결과를 평가한다. 실험을 통하여 본 논문에서 제시한 가중치 결합 기법을 적용하였을 때, 기존의 순환 신경망 기반 추천 모델의 성능을 유의미하게 향상시킬 수 있음을 확인하였다. Movielens 데이터셋을 이용한 실험에서는 Recall을 약 15% 향상시켰으며, RSC14 데이터셋을 이용한 실험에서는 SPS와 Recall을 각각 약 13%, 5% 향상시킬 수 있었다.