초록
최근에 소개된 EASE 알고리즘은 top-N 추천 작업을 해결하는 간단하면서도 우아한 방법을 제시하고 있다. 본 논문에서는 현대의 신경망 학습 기법을 도입함으로써 이 알고리즘의 성능을 더욱 향상시키기 위해 Neural EASE를 제안한다. 또한, 추천 시스템(RecSys) 커뮤니티 내에서 변분 오토인코더(Variational Autoencoder, VAE)를 이 작업에 활용하려는 관심이 점점 커지고 있다. 우리는 정보 블로킹 정보를 갖지 않으면서도 다중 비선형 계층을 활용할 수 있는 깊은 오토인코더인 FLVAE를 제안한다. 또한, Neural EASE와 병렬적으로 FLVAE를 학습하는 방법을 제시하며, MovieLens 20M 데이터셋에서 최신 기준(SOTA) 성능을 달성하고, Netflix Prize 데이터셋에서도 경쟁력 있는 결과를 얻었다.