문자 수준 딥 컨볼루션 신경망 기반 추천 모델

A Recommendation Model based on Character-level Deep Convolution Neural Network

추천 시스템의 등급 예측 정확도를 높이기 위해서는, 사용자 항목 등급 데이터뿐만 아니라 주석, 태그 또는 설명과같은 항목의 보조 정보도 고려해야만 한다. 기존 접근법에서는 단어 단위에서 bag-of-words 모델을 사용하여 보조 정보를 모델링한다. 그러나 이러한 모델은 보조 정보를 효과적으로 활용할 수 없으므로 보조 정보를 제한적으로 이해하게 된다. 한편, 컨볼루션 신경망(CNN)에서는 보조 정보로부터 특징 벡터를 효과적으로 포착하고 추출할 수 있다. 따라서 본 논문에서는 새로운 추천 모델을 위해 딥 CNN을 행렬 분해에 통합시킨 문자 수준의 딥 컨볼루션 신경망 기반 행렬 분해 (Char-DCNN-MF) 방법을 제안한다. Char-DCNN-MF에서는 보조 정보를 더 심층적으로 이해하고 추천 성능을 더욱 향상시킬 수 있다. 실험은 세 가지 다른 실제 데이터 세트에서 수행되었으며 그 결과는 Char-DCNN-MF가 다른 비교 모델보다 유의적으로 뛰어난 성능을 보여주었다.

In order to improve the accuracy of the rating prediction of the recommendation model, not only user-item rating dataare used but also consider auxiliary information of item such as comments, tags, or descriptions. The traditionalapproaches use a word-level model of the bag-of-words for the auxiliary information. This model, however, cannot utilizethe auxiliary information effectively, which leads to shallow understanding of auxiliary information. Convolution neuralnetwork (CNN) can capture and extract feature vector from auxiliary information effectively. Thus, this paper proposescharacter-level deep-Convolution Neural Network based matrix factorization (Char-DCNN-MF) that integrates deep CNNinto matrix factorization for a novel recommendation model. Char-DCNN-MF can deeper understand auxiliary informationand further enhance recommendation performance. Experiments are performed on three different real data sets, and theresults show that Char-DCNN-MF performs significantly better than other comparative models.