Collaborative Filtering Model
1) VAE - "VAE : Auto-Encoding Variational Bayes" (2013)
AutoEncoder와 유사하지만, 새로운 데이터를 생성한다는 점에서 차이점을 가진 모델
Encoder에서는 Variational Inference에서 Gaussian 분포를 가정하여 입력 x를 잘 설명하는 feature(평균, 표준편차)를 추출함.
Decoder에서는 입력데이터의 분포를 잘 근사하는 새로운 x를 생성함.
새롭게 생성한 x가 input x를 잘 복원했는지 Reconstruction Error와 정규분포를 잘 따르는지 KL-Divergence를 측정하여 모델을 최적화시키는 과정으로 학습함.
2) LightGCN - "LightGCN : Simplifying and Powering Graph Convolution Network for Reccomendation" (2020)
최근 각광받고 있는 GCN( Graph Convolution Network) 기반의 모델
현재 CF에서 SOTA 모델이며, SOTA 모델 중 하나인 NGCF ( Neural Graph Collaborative Filtering) 모델에서 feature transformation, non-linear activation 과 같은 추천시스템 성능에 방해가 되는 요소들을 제거해 경량화함.
3) Peter - "Personalized Transformer for Explainable Recommendation" (2023)
아이템ID, 유저ID와 단어를 함께 학습하고 추천과 이에 따른 설명까지 생성하는 모델
레이어 2개로 이루어진 사전학습되지 않은 Transformer 모델이지만, fine-tuned BERT보다 "성능이 뛰어남.
생성된 추천 문구가 문법적인지 뿐만 아니라, 아이템의 특성을 잘 설명하는지를 기준으로도 평가함.
Sequential Recommendation
1) Sequence-Aware MLP - "Simple and Efficient Recommendation Strategy for Warm/Cold Sessions for RecSys 이며 Challenge 2022 (2022)
카카오에서 발표한 모델로, 카카오 웹툰 Sequential Recommendation에 적용함.
불필요한 fine-tuning과정이 없기에 학습에 필요한 computing power 자원이 절반 수준이며, BERT4Rec 대비 CVR 4% 증가함.
최근 소비했던 아이템일수록 학습 시 더 많은 정보 사용하여 사용자의 소비이력의 sequential dependency를 반영함.
2) GPT4Rec - "GPT4Rec: A Generative Framework for Personalized Recommendation and User Interests Interpretation" (2023)
유저에게 개인화된 추천을 제공하는 정보 필터링 시스템을 갖춤.
유저가 구매한 아이템의 리스트를 받아 검색 쿼리를 생성하고, 이를 기반으로 아이템을 검색해 추천함.
유저가 상호작용한 아이템의 리스트를 받음 → 아이템 이름을 포함한 프롬프트를 생성 → 언어 모델은 다양한 유저의 관심사를 반영하는 다양한 쿼리를 생성함 → Search Engine은 해당 쿼리로 아이템을 검색하고, 이를 추천함