SVD-AE: 협업 필터링을 위한 간단한 Autoencoder

추천 시스템을 위한 협업 필터링(Collaborative Filtering, CF) 기법은 행렬 분해 및 오토인코더 기반, 그래프 필터링 기반 등 다양한 방향으로 광범위하게 연구되어 왔다. 최근에는 전체 계산 부담을 줄이기 위해 거의 훈련이 필요 없는 경량화된 방법들이 제안되고 있다. 그러나 기존 방법들은 정확도, 효율성, 강건성 사이의 균형을 더욱 개선할 여지가 있다. 특히, 위의 세 가지 요소 간의 균형을 고려한 명확한 폐쇄형 해(CLOSED-FORM SOLUTION)를 갖춘 CF 기법에 대한 체계적인 연구는 아직 부족하다. 본 논문에서는 SVD-AE라는 단순하면서도 효과적인 선형 오토인코더를 제안한다. 이는 특이값 분해(Singular Value Decomposition, SVD) 기반으로 설계되었으며, CF 문제에 대해 SVD를 기반으로 폐쇄형 해를 정의할 수 있다. SVD-AE는 폐쇄형 해가 존재하므로 반복적인 훈련 과정이 필요하지 않으며, 한 번의 계산으로 해를 구할 수 있다. 더불어, 평점 행렬의 노이즈 특성을 고려하여 기존 CF 기법들과 SVD-AE의 노이즈에 대한 강건성을 비교 분석한다. 그 결과, 절단된 SVD(Truncated SVD)를 기반으로 한 본 논문의 단순한 설계 선택이 추천 성능의 효율성을 향상시키면서도 노이즈에 대한 강건성을 강화할 수 있음을 입증하였다. 코드는 https://github.com/seoyoungh/svd-ae 에서 공개되어 있다.