시퀀스 변분 오토인코더를 이용한 협업 필터링

변분 오토인코더(Variational Autoencoders, VAE)는 컴퓨터 비전과 음성 처리 등의 분야에서 성공적으로 활용되었다. 그러나 사용자 선호도 모델링에 대한 변분 오토인코더의 적용은 아직 연구되지 않았으며, 최근에야 이 주제에 대한 관심이 늘어나고 있다. 본 연구에서는 과거 선호도 기록에 포함된 풍부한 정보를 활용하여 변분 오토인코더를 확장하는 모델을 제안한다. 우리는 시간적 의존성을 고려하지 않고 전체 기록의 일부만 전달하는 대신, 소비 시퀀스의 부분 집합을 순환 신경망(Recurrent Neural Network, RNN)을 통해 전달하는 VAE의 순환 버전을 소개한다. RNN의 각 시간 단계에서 시퀀스는 완전 연결 계층(Fully-Connected Layers) 시리즈를 통과하며, 그 출력은 가장 가능성이 높은 미래 선호도의 확률 분포를 모델링한다. 우리는 시간적 정보를 처리하는 것이 VAE의 정확도를 개선하기 위해 중요하다는 점을 보여준다. 실제로, 우리의 모델은 순환 인코더를 사용하여 사용자 소비 시퀀스 간의 시간적 의존성을 포착하면서 변분 오토인코더의 기본 원리를 유지함으로써 현행 최신 기술보다 유의미한 마진으로 우수한 성능을 보였다.