초록
임베딩 기반 모델은 지난 10년 이상에 걸쳐 협업 필터링 분야에서 최고의 기준을 차지해 왔다. 전통적으로 두 개 이상의 임베딩을 결합하는 데는 내적(또는 고차원 형태의 동등한 연산)이 사용되었으며, 특히 행렬 분해(Matrix Factorization)에서 가장 대표적인 예로 꼽힌다. 최근 들어, 다층 퍼셉트론(Multilayer Perceptron, MLP)을 활용해 학습 가능한 유사도 함수로 내적을 대체할 것을 제안한 바 있다. 이러한 접근 방식은 일반적으로 신경형 협업 필터링(Neural Collaborative Filtering, NCF)이라고 불린다. 본 연구에서는 MLP를 활용한 학습 가능한 유사도를 널리 알려게 한 NCF 논문의 실험을 재검토한다. 먼저, 적절한 하이퍼파라미터 설정을 통해 단순한 내적 연산이 제안된 학습 가능한 유사도보다 훨씬 우수한 성능을 보임을 보여준다. 둘째, 이론적으로 MLP는 임의의 함수를 근사할 수 있지만, 실제로 내적 함수를 MLP로 학습하는 것은 쉽지 않음을 입증한다. 마지막으로, MLP 기반 유사도를 실제 적용할 때 발생하는 실용적 문제점을 논의하며, MLP는 제품 추천 시스템의 생산 환경에서 너무 비용이 크며, 반면 내적 연산은 매우 효율적인 검색 알고리즘을 적용할 수 있음을 지적한다. 결론적으로, MLP는 임베딩 결합 방식으로 사용할 때 신중해야 하며, 내적은 더 나은 기본(default) 선택일 수 있음을 제안한다.