Core Concepts
교차 도메인 추천 성능을 향상시키기 위해 관찰된 단일 도메인 및 교차 도메인 혼란 요인을 효과적으로 분리하고, 이러한 혼란 요인의 부정적 영향을 제거하는 동시에 긍정적 영향을 활용하는 인과적 디컨파운딩 프레임워크를 제안한다.
Abstract
이 논문은 교차 도메인 추천 문제에서 관찰된 혼란 요인을 효과적으로 다루는 방법을 제안한다.
먼저, 단일 도메인 혼란 요인과 교차 도메인 혼란 요인을 분리하는 모듈을 제안한다. 단일 도메인 혼란 요인은 적대적 학습을 통해 분리하고, 교차 도메인 혼란 요인은 반형제 회귀를 사용하여 분리한다.
다음으로, 분리된 혼란 요인의 부정적 영향을 제거하고 긍정적 영향을 활용하는 인과적 디컨파운딩 모듈을 제안한다. 이를 통해 편향된 사용자 선호도를 보정하고 정확한 추천 성능을 달성한다.
실험 결과, 제안 모델이 기존 최신 모델들에 비해 추천 정확도를 크게 향상시킬 수 있음을 보여준다.
Stats
사용자와 아이템 간 상호작용에 영향을 미치는 혼란 요인에는 긍정적 영향과 부정적 영향이 모두 존재한다.
단일 도메인 혼란 요인은 특정 도메인 내에서만 영향을 미치지만, 교차 도메인 혼란 요인은 두 도메인 모두에 영향을 미친다.
기존 방법들은 이러한 관찰된 혼란 요인을 효과적으로 다루지 못했지만, 제안 모델은 이를 해결할 수 있다.
Quotes
"교차 도메인 혼란 요인은 사용자 선호도와 사용자-아이템 상호작용에 동시에 영향을 미치므로, 이를 효과적으로 분리하는 것이 중요하다."
"관찰된 혼란 요인의 부정적 영향을 제거하고 긍정적 영향을 활용하는 것이 정확한 추천 성능을 달성하는 데 핵심적이다."