Using side-information for Recommend System

Collaborative Filtering : user-item interaction data만을 활용하여 추천을 수행.

한계점 두가지

- Cold-start problem : interaction data가 충분하지 않은 경우

- Temporal evolution : 시간의 흐름에 따른 사용자 선호도 및 아이템 특성의 변화를 반영하지 못함

 

**Cold-start problem 이란 interaction 정보가 매우 적거나 존재하지 않는 아이템이나 사용자에게 올바른 추천을 제공하기 어려운 상황을 의미

- Content-based methods(사용자 혹은 아이템의 side-information)을 활용하여 cold-start problem 완화 가능.

- 예를 들면 해당 유저와 비슷한 군집의 유저가 좋아하는 상품을 추천.

 

 

Context-aware Recommendation

- 추천이 이루어지는 특정한 상황을 나타내는 추가 정보에 따라 추천 결과를 생성 및 조정하는 방법.

- 이때 추가 정보를 context라고 함.(예를 들면 새해 신년 이벤트와 같은 time, 지역 축제와 같은 location 등 정보)

 

Factorization Machines(FM) 모델

- user-item interaction 정보 뿐만 아니라 user의 정보 혹은 item의 정보까지 input feature로 활용. 

수식을 살펴보면 user, item, price 정보 뿐만 아니라 user-item, user-price, item-price 정보 또한 함께 활용한다.

 

Context-aware Recommendation 을 하기 위한 FM모델 역사

Wide&Deep Learning Framework(Cheng et al. 2016)

DeepFM(Guo et al.2017)

Google Youtube Recommender(2018)

+ Winning solutions of SIGIR 2021 Workshop on E-commerce Data Challenge