확장 가능한 근사 비대칭 오토인코더를 통한 협업 필터링

추천 시스템 분야에서 얕은 오토인코더는 최근 큰 주목을 받고 있다. 그 중에서도 가장 높은 평가를 받는 얕은 오토인코더로는 EASE가 있으며, 경쟁력 있는 추천 정확도와 동시에 간단한 구조로 인해 널리 선호되고 있다. 그러나 EASE는 시간적 측면뿐 아니라 특히 메모리 측면에서의 낮은 확장성으로 인해 대규모 아이템 집합을 가진 생산 환경에서의 활용이 심각하게 제한된다. 본 논문에서는 EASE에서 사용하는 데이터-그램 행렬(sparse approximate inversion)에 대한 고효율 분해 기법을 제안한다. 이를 통해 도출된 오토인코더인 SANSA는 밀도를 미리 지정할 수 있고, 거의 임의로 낮은 메모리 요구량을 갖는 엔드투엔드 스파스 솔루션으로, 학습 과정에서도 여전히 매우 효율적이다. 결과적으로 SANSA를 통해 EASE의 개념을 수백만 개 이상의 아이템까지 쉽게 확장할 수 있게 되었다.