초록
추천 시스템의 표준 모델은 행렬 완성 설정입니다: 사용자(행)가 항목(열)에 부여한 평점이 부분적으로 알려진 행렬이 주어졌을 때, 알려지지 않은 평점을 추론합니다. 지난 수십 년 동안 신경망으로 이 목표를 처리하기 위한 몇 가지 시도가 있었지만, 최근에 오토인코더 기반 아키텍처가 유망한 접근 방식임이 입증되었습니다. 본 논문에서는 (i) 결측치가 있는 입력 데이터에 적합한 손실 함수를 사용하고, (ii) 부가 정보를 통합하여 해당 아키텍처를 개선했습니다. 실험 결과는 부가 정보가 모든 사용자/항목에 대한 테스트 오류 평균을 약간 개선하는 데 그치지만, 차갑게 시작하는 사용자/항목(cold users/items)에 더 큰 영향을 미친다는 것을 보여줍니다.