모든 추천 시스템을 위한 효율적인 매니폴드 밀도 추정기

다수의 비지도 표현 학습 방법은 유사도 학습 모델의 범주에 속한다. 다양한 데이터 유형에 맞는 특정 모달리티 접근법이 존재하지만, 많은 방법들의 핵심 특성은 유사한 입력에 대한 표현이 어떤 유사도 함수 하에서 가까워진다는 점이다. 본 연구에서는 Riemannian 다양체 위의 부드러운 확률 밀도를 간결하게 표현하기 위해, 국소적 유사성 특성을 가진 임의의 벡터 표현을 활용하는 EMDE(Efficient Manifold Density Estimator) 프레임워크를 제안한다. 제안하는 근사 표현은 고정 크기이며 단순한 덧셈적 조합성을 가지므로, 신경망의 입력 및 출력 형식으로서 특히 적합하며 조건부 밀도 추정을 효율적으로 수행할 수 있다. 우리는 다중 모달 추천 문제를 다양체 위에서 조건부 및 가중치가 부여된 밀도 추정의 문제로 일반화하고 재정의한다. 본 접근법은 어떤 추천 환경에서도 다양한 상호작용 유형, 데이터 모달리티, 상호작용 강도를 간단히 통합할 수 있다. EMDE를 top-k 추천 및 세션 기반 추천 설정에 적용하여, 단일 모달 및 다중 모달 환경에서 여러 개방형 데이터셋에서 새로운 최고 성능 기록을 달성하였다.