Collaborative Filtering을 위한 Variational Autoencoders

우리는 변분 오토인코더(VAEs)를 암시적 피드백을 위한 협업 필터링에 확장합니다. 이 비선형 확률 모델은 선형 요인 모델의 제한된 모델링 능력을 벗어나는 것을 가능하게 합니다. 선형 요인 모델은 여전히 협업 필터링 연구에서 주도적인 위치를 차지하고 있습니다. 우리는 다항 분포 우도를 사용하는 생성 모델을 소개하며, 베이지안 추론을 통해 매개변수를 추정합니다. 언어 모델링과 경제학에서 널리 사용되고 있지만, 다항 분포 우도는 추천 시스템 문헌에서 상대적으로 적은 관심을 받고 있습니다. 우리는 학습 목표에 대해 다른 정규화 매개변수를 도입하였으며, 이는 경쟁력 있는 성능을 달성하는 데 있어 중요한 역할을 합니다. 특히, 안네일링(annealing)을 사용하여 매개변수를 효율적으로 조정할 수 있는 방법이 있습니다. 결과적으로, 이 모델과 학습 알고리즘은 최대 엔트로피 구별(maximum entropy discrimination) 및 정보 병목 원칙(information bottleneck principle)과 정보 이론적 연결성을 가지고 있습니다. 경험적으로, 우리는 제안된 접근 방식이 여러 실제 데이터셋에서 최근 제안된 두 개의 신경망 접근 방식을 포함한 여러 최신 기준모델보다 유의미하게 우수한 성능을 보임을 입증하였습니다. 또한, 잠재 요인 협업 필터링 문헌에서 자주 사용되는 다른 우도 함수들과 다항 분포 우도를 비교하는 확장 실험을 제공하며, 유리한 결과를 보여줍니다. 마지막으로, 원칙적인 베이지안 추론 접근 방식의 장단점을 식별하고, 가장 큰 개선 효과가 나타나는 환경을 특징화합니다.