초록
최근, 행렬 분해 기반 추천 방법은 삼각 부등식 위반 문제로 비판을 받고 있습니다. 이 문제를 해결하기 위해 여러 메트릭 학습 기반 접근법이 제안되었지만, 기존 접근법들은 일반적으로 각 사용자를 메트릭 공간의 단일 점으로 투영하므로, 암시적 피드백에서의 사용자-아이템 관계의 강도와 다양성을 적절히 모델링하는 데 충분하지 않습니다. 본 논문에서는 이러한 잠재적인 사용자-아이템 관계를 암시적 사용자-아이템 상호작용에서 발견하기 위한 TransCF를 제안합니다. 지식 그래프 임베딩에서 널리 알려진 번역 메커니즘에 영감을 받아, 사용자와 아이템의 이웃 정보를 활용하여 사용자-아이템 특화 번역 벡터를 구축하고, 아이템과의 관계에 따라 각 사용자를 아이템 쪽으로 번역합니다. 제안된 방법은 일곱 개의 실제 데이터셋에서 최상위 N 추천에 있어 최신 기술들과 비교하여 최대 17%까지 히트 비율에서 우수한 성능을 보입니다. 또한, 제안된 방법으로 학습된 번역 벡터에 대한 광범위한 정성적 평가를 수행하여 암시적 피드백 기반 추천에서 번역 메커니즘을 도입하는 이점을 확인하였습니다.