Generating Neighbors of Cold-start Users for Improving the Accuracy of Recommendation

Abstract

Collaborative filtering (CF) is useful and powerful method to build the recommender systems. However, CF model does not work properly when they face the cold-start problems. Data imputation has been the most popular way to deal with the cold-start problems of CF. However, it is not directly tailored to tackle the cold-start problems. We propose a novel recommendation framework which aims to directly tackle the cold-start problems. Our main idea is to generate virtual, but realistic users and then to augment them into rating matrix as additional rows. We conducted extensive experiments to verify the effectiveness of our proposed framework. The experimental results demonstrate the benefit of our framework.|협업 필터링은 추천 시스템에서 주로 사용되는 유용하면서 강력한 기법이다. 하지만, 협업 필터링 기반 모델들은 Cold-start 문제에 대해서는 제대로 작동하지 않는다. 데이터 Imputation은 Cold-start 문제를 해결하기 위해 가장 많이 사용되는 방법이다. 하지만, 직접적으로 Cold-start 문제를 해결하진 않는다. 본 논문에서는 Cold-start 문제를 직접적으로 해결하는 새로운 추천 Framework를 제안한다. 가상이지만 실제에 있을법한 사용자들을 생성해내고 평점 행렬에 새로운 행으로 추가시키는 것이 핵심이다. 제안하는 방법의 효과성을 검증하기 위해 여러 실험을 진행하였다. 실험을 통해 제안하는 방법이 이점들을 증명하였다.