Time-varying Item Feature Conditional Variational Autoencoder for Collaborative filtering

Abstract

사용자가 상품 선택을 결정할 때 영향을 미치는 요소 중에는 시기적 요소와는 무관한 사용자 고유의 취향과 시점에 따라 변화하는 상품의 유행과 같은 외부족 요소가 존재한다. 정밀한 추천시스템을 만들기 위해서는 이 두 요소를 모두 고려해야 하지만 기존의 추천 시스템은 추천을 해주는 그 당시의 시점을 고려하지 않고 사용자의 구매내역 데이터만을 기반으로 추천을 해준다는 문제점을 갖고 있다. 따라서, 본 논문에서는 추천이 진행되는 시점을 고려하여, 그 당시의 상품 유행 요소를 반영한 추천 시스템을 제안한다. 우리는 상품 내용 기반의 추천 시스템과 사용자 구매 내역 기반의 추천시스템을 효과적으로 결합할 수 있는 모델 생성에 초점을 두었다.

구체적으로, 사용자-상품 내포 피드백에 상품의 시간 기반 특징을 더하기 위해 조건부 변분 자동 생성기 모델을 활용한다. 이 때 입력 값과 잠재변수에 각각 더해주는 조건부로는 각 시점의 상품 특징을 나타내는 분산 표현을 사용한다. 각 시점에 해당하는 분산 표현은 LSTM을 사용하여 추출한다. LSTM에서 얻은 조건부와 사용자-상품 행렬을 연결시켜 변분 자동 생성기에 입력해줌으로써, 각 구간의 중요한 특징을 반영하는 하이브리드 추천시스템을 생성한다. 본 논문에서 제안하는 모델은 상품 고유의 변화하는 특성을 반영하여 추천에 활용한다는 점에서 기존 연구와 차이가 있다. 또한, 본 연구는 추천시스템 데이터의 섬김성 문제를 완화하는데에도 도움을 준다. 제안하는 모델의 평가를 위해 Movielens dataset(ml-1m) 데이터와 Amazon women's clothing 데이터를 사용하였고, 제안하는 방법에 알맞은 실험 과정을 설계하여 모델의 유효성을 확인했다.

We can assume that some factors that affect the user's decision to select products are several factors such as the time-invariant user's unique taste and the external trends or fashion that varies with time. Both mentioned factors should be considered in order to create a precise recommendation system, but the current recommendation system has the problem of making recommendations based only on the user's history without taking into account the timing of creating a recommendation. Therefore, considering the timing of the recommendation made, this paper proposes a recommendation system that reflects inter-items trends of time-based bin. We focus on creating a model that could effectively combine the content-based recommender system with the context-based recommender system. Specifically, we use Conditional Variational Autoencoder to add a time dynamic item features to user-item implicit feedback data. In this case, distributed representation of items in the specific period is used as a condition that is added to input and latent variable of VAE respectively. The distributed representation per periods can be extracted using LSTM. By putting a condition into VAE, a hybrid recommendation system can be created to reflect the item trend. The model proposed in this paper differs from existing research in that it reflects the changing characteristics inherent in the product and utilizes it in the recommendation. In addition, we can get the additional effect of solving sparsity problem by using item feature to mitigate sparsity problem. The Movielens data (ml-1m) data and Amazon women's clothing dataset are used for the evaluation of the proposed model. The effectiveness of this model is verified by designing experimental methods to evaluate the recommended systems that reflect the time point of recommendation.