[ Recommender System ]
24. VBPR , Visual Bayesian Personalized Ranking from Implicit Feedback
( 참고 : Fastcampus 추천시스템 강의 )
Abstract
-
큰 dataset에서 유저의 feedback을 반영한 모델링에 사용한 MF 사용
-
Visual Dimension을 추가로 사용함
- Implicit Feedback을 사용해서…
- Cold start문제를 어느 정도 완화함
- visual signal도 함께 사용
- 유저 별 개인화된 랭킹도 산출
- Scalable FM
Contribution
- visual signal과 함께 MF를 사용하여 implicit feedback 사용
- Bayesian Personalized Ranking (BPR) 활용
- Scalable!
1. VBPR : Problem Formulation
-
유저의 implicit feedback로부터 ranking을 예측
( 유저 \(u\)가 아직 feedback을 제공하지 않은 아이템에 대해 personalized ranking 예측 )
-
\(\mathbf{I}\) & \(\mathbf{I_u^{+}}\) : 피드백 제공 O & 제공 X 제품
2. VBPR : Preference Predictor
-
왼쪽의 4개는 기존의 Matrix Factorization의 형태와 동일
-
맨 오른쪽 Visual Factor가 핵심!
-
visual feature를 뽑아냄 ( cold start 문제 해결에 도움 )
-
embedding해서 item visual factor를 만듬
( + item latent factor와 합쳐져서 item factor를 만듬 )
-
3. VBPR : Modeling Learning using BPR
BPR : pairwise ranking optimization framework ( train with SGD )
- pairwise
Algorithm
-
1) sample from training dataset \(D\)
-
2) update params with updating equation as below :
- red) non-visual params
- blue) visual params
4. VBPR : Scalability
( \(F\) : dimension of CNN feature )
5. Conclusions
- Implicit feedback 데이터셋에서 personalized ranking task를 풀 때 Visual feature가 유용하다
- Matrix Factorization을 사용 & Scalable
- SGD로 BPR 학습
- Visual dimension을 추가
- Cold start 문제 해결