Core Concepts
사용자들이 특정 클러스터에 속하며 각 클러스터 내에 선호도 경향이 있다는 가정 하에, 이를 활용하여 추천 성능을 향상시키는 Co-Clustering Wrapper 기법을 제안한다.
Abstract
이 논문에서는 사용자-아이템 상호작용 데이터를 바탕으로 사용자와 아이템을 동시에 클러스터링하는 Co-Clustering Wrapper(CCW) 기법을 제안한다.
먼저 스펙트럼 Co-Clustering 알고리즘을 사용하여 사용자와 아이템을 k개의 클러스터로 나눈다. 이후 전체 데이터에 대한 글로벌 모델과 각 클러스터에 대한 로컬 모델을 병렬로 학습한다. 글로벌 모델은 전체 데이터에 대한 임베딩을, 로컬 모델은 각 클러스터에 대한 임베딩을 학습한다.
마지막으로 사용자와 아이템이 속한 클러스터에 따라 글로벌 임베딩과 로컬 임베딩을 적절히 조합하여 최종 추천 점수를 계산한다. 이를 통해 사용자의 전반적인 선호도와 클러스터 내 선호도 경향을 모두 반영할 수 있다.
실험 결과, 다양한 협업 필터링 모델에 CCW를 적용했을 때 추천 성능이 향상되는 것을 확인했다. 또한 클러스터 개수 선택을 위한 분산비 지표를 제안하고, 이를 통해 적절한 클러스터 개수를 결정할 수 있음을 보였다.
Stats
사용자와 아이템이 속한 클러스터에 따라 추천 점수 계산 시 글로벌 임베딩과 로컬 임베딩을 다르게 활용한다.
Quotes
"사용자들이 특정 클러스터에 속하며 각 클러스터 내에 선호도 경향이 있다는 가정 하에, 이를 활용하여 추천 성능을 향상시키는 Co-Clustering Wrapper 기법을 제안한다."
"스펙트럼 Co-Clustering 알고리즘을 사용하여 사용자와 아이템을 k개의 클러스터로 나누고, 전체 데이터에 대한 글로벌 모델과 각 클러스터에 대한 로컬 모델을 병렬로 학습한다."
"사용자와 아이템이 속한 클러스터에 따라 글로벌 임베딩과 로컬 임베딩을 적절히 조합하여 최종 추천 점수를 계산한다."