혼합 순위 행렬 근사 기법을 활용한 협업 필터링

저랭크 행렬 근사(LRMA) 방법은 현재의 협업 필터링(CF) 방법들 중에서 뛰어난 정확도를 달성하고 있다. 기존의 LRMA 방법들에서는 사용자/아이템 특성 행렬의 랭크가 일반적으로 고정되어 있으며, 즉 모든 사용자와 아이템을 동일한 랭크로 설명하는 방식을 채택하고 있다. 그러나 본 연구에서는 동일한 사용자-아이템 평점 행렬 내부에서 서로 다른 랭크를 가진 부분 행렬이 동시에 존재할 수 있음을 확인하였으며, 고정된 랭크를 사용하는 근사 방법은 평점 행렬의 내부 구조를 완벽히 설명할 수 없어 추천 정확도가 저하된다는 점을 밝혀냈다. 본 논문에서는 사용자-아이템 평점을 서로 다른 랭크를 가진 다수의 LRMA 모델의 혼합으로 특성화할 수 있는 혼합-랭크 행렬 근사(MRMA) 방법을 제안한다. 또한, MRMA에 관련된 비볼록 최적화 문제를 해결하기 위해 반복 조건 모드(iterated condition modes)를 활용한 학습 알고리즘을 제안하였다. MovieLens 및 Netflix 데이터셋을 대상으로 수행한 실험 결과, MRMA가 여섯 가지 최첨단 LRMA 기반 CF 방법보다 추천 정확도에서 우수한 성능을 보임을 입증하였다.