One-Class Factorization Machine from Implicit Feedback using Negative Sampling

Abstract

Many applications of recommendation systems from implicit feedback need to handle one-class problems. In these problems, it is so important to distinguish real-negative observations from missing ones. Plus, the class imbalance problem remains as an inherent issue in recommendation systems using implicit feedback. To tackle these problems, this paper proposes a negative sampling technique, that is frequency scores based factorization machines. The original factorization machine has proven to be strong with a generalization ability in recommendation systems, but it hardly utilized implicit feedback due to the nature of the model. Thus, by using frequency score, we create factorization machines from implicit feedback free to add side features forming a unified model for reliable prediction. The results show that our proposed method performs with good accuracy in comparison to a few selected models in several recommendation datasets. |암시적 피드백의 많은 추천 시스템 응용 프로그램은 단일 클래스 문제를 처리해야 한다. 이러한 문제에서는 실제 관측값과 누락된 관측값을 구별하는 것이 매우 중요하다. 또한 클래스 불균형 문제는 암시적 피드백을 사용하는 추천 시스템의 주요한 문제로 남아 있다. 이러한 문제를 해결하기 위해 본 논문에서는 Factorization Machine(FM)을 이용한 네거티브 샘플링 기법을 제안한다. 원래의 FM은 추천 시스템에서 일반화 능력이 강하다는 것이 입증되었지만 모델의 특성상 암시적 피드백을 거의 활용하지 못했다. 따라서 Frequency Score를 사용하여 신뢰할 수 있는 예측을 위한 암시적 피드백의 FM모델을 제안한다. 실험 결과에서 제안한 방법이 여러 추천 데이터 세트에서 선택된 몇 가지 모델과 비교하여 우수한 성능을 보이는 것을 확인하였다.