GLocal-K: 추천 시스템을 위한 글로벌 및 로컬 커널

추천 시스템은 일반적으로 고차원적이고 희소한 사용자-아이템 행렬 위에서 작동한다. 수백만 명의 사용자가 수천 개의 아이템 중 일부만 조회한 상황에서, 한 사용자의 관심을 예측하는 것은 행렬 완성(matrix completion)이라는 매우 도전적인 과제이다. 본 연구에서는 고차원적이고 희소한 사용자-아이템 행렬의 항목을 적은 수의 중요한 특징을 갖는 저차원 공간으로 일반화하고 표현하는 것을 목표로, 글로벌-로컬 커널 기반의 행렬 완성 프레임워크인 GLocal-K를 제안한다. 제안한 GLocal-K는 두 가지 주요 단계로 구성된다. 첫 번째 단계에서는 2D-RBF 커널을 활용하여 데이터를 원래 공간에서 특징 공간으로 변환하는 로컬 커널화된 가중치 행렬을 사용해 오토인코더를 사전 학습한다. 두 번째 단계에서는 컨볼루션 기반의 글로벌 커널을 통해 생성된 평점 행렬을 이용하여 사전 학습된 오토인코더를 미세 조정한다. 이 글로벌 커널은 각 아이템의 특성을 효과적으로 포착한다. 본 연구에서는 사용자-아이템 평점 행렬 외에 추가적인 부가 정보(side information)가 없는 극도로 자원이 제한된 환경에서 GLocal-K 모델을 적용하였다. 실험 결과, GLocal-K는 ML-100K, ML-1M, Douban 세 가지 협업 필터링 벤치마크에서 최신 기준 모델들을 모두 능가하는 성능을 보였다.