[K-Data x 러닝스푼즈]3-4. BPR Optimization with MF

이번 포스팅에서는 Implicit Feedback데이터를 활용해 MF를 학습할 수 있는 논문의 기법에 대해 소개해보려고 합니다!

베이지안 추론에 기반하고 있으며 

접근이 재밌고 기발해서 유명해진 방법이라고 합니다!

 

---

Introduction

 

1) 사용자의 클릭, 구매 등의 로그는 Implicit Feedback 데이터

 

2) binary(0/1)로 이루어져있음 

-> 선호도를 고려하지 않고 일반적으로 유저가 아이템을 클릭/구매 할 확률을 예측하는 문제

 

3) 유저가 item i보다 j를 좋아한다면? 이라는 정보를 사용해 MF의 파라미터를 학습하는 방법

 

=> 관측되지 않은 데이터에 대해서

유저가 아이템에 관심이 없는 것인지 / 유저가 실제로 관심이 있지만 아직 모르는 것인지 고려해야됨...

---

Personalized Ranking

 

기존에는 관측되지 않은 entry를 0으로 채웠음!

-> 실제로 관심이 있지만 아직 관측되지 않은 데이터에 대해서도 0으로 처리되는 문제!

기존의 방식

<가정>

1. 관측된 item을 관측되지 않은 item보다 선호 -> +표시

2. 관측도니 아이템끼리는 선호도를 추론할 수 없음 -> ?표시

3. 관측되지 않은 아이템끼리는 선호도를 추론할 수 없음 -> ?표시

 

=> 각각의 유저에 대해서 샘플을 만들음!

 

u1을 예로 들면 아이템 1,2,3,4에 대해 ?, +, +, ?의 의견을 가지고 있다!

? : 선호도를 추론할 수 없음
-, + : 아이템을 비교했을 때 상대적으로 선호하면(+) 

---

BPR Optimization

유저u가 선호하는 아이템을 Iu+

Ds는 사전확률 / Ui>Uj 가정

 

* 최대 사후 확률 추정(Maximum A Posterior - MAP)

- p(0|>u) : 주어진 유저의 선호정보에 대한 파라미터에 대한 확률 => 사후확률 최대화

- p(>u|0) : 갖고있는 사전정보(Ds)

- p(0) :파라미터에 대한 사전정보

 

* p(>u|0) : 갖고있는 사전정보(Ds)

사용자 u가 아이템 i를 j보다 좋아할 확률

 

BPR 요약

 

- Implicit Feedback 데이터만을 활용해 아이템 간의 선호도를 도출

 

- Maximum A Posterior(MAP) 방법을 통해 파라미터를 최적화

 

-MF에 BPR Optimization을 적용한 결과, 성능이 우수