신경망 및 비신경망 오토인코더 기반 추천 모델의 성능 비교 및 분석 (Performance Comparison and Analysis Between Neural and Non-neural Autoencoder-based Recommender Systems)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 47권 / 11호 / 1078 ~ 1085페이지
· 저자명 : 정윤기, 이종욱

초록

다양한 분야에 심층 신경망이 도입되어 획기적인 성능 개선을 보이고 있으나, 최근 심층 신경망 기반 추천 모델의 성능 개선이 크게 보이지 않는다는 주장이 나오고 있다. 이와 같은 문제는 추천 연구에 통용되는 실험 환경의 부재와 제안 모델 성능에 대한 엄밀한 분석 부재에 기인한다. 본 논문에서는 1) 추천 모델의 공정한 비교를 위한 실험 프로토콜을 구성하고, 2) 추천 모델의 한 축인 오토인코더 기반 추천 모델에 대해서 실험적 검증을 수행하며, 3) 사용자와 항목 인기도를 기준으로 여러 개의 세부 그룹으로 나누어 실험 결과를 분석한다. 실험 결과, 모든 데이터셋에서 신경망 기반 모델의 추천 성능이 비신경망 대비 일관적인 성능 개선을 보이지 않았으며, 신경망 모델 내에서도 주된 정확도 개선을 확인할 수 없었다. 한편, 세부 그룹별 성능 평가 결과에서는 인기 항목에선 비신경망 모델의, 비인기 항목에선 신경망 모델의 정확도가 높음이 확인하였고, 이를 통해 신경망 모델의 복잡성이 비인기 항목에 대한 추천에 도움이 될 수 있다고 판단된다.

영어초록

While deep neural networks have been bringing advances in many domains, recent studies have shown that the performance gain from deep neural networks is not as extensive as reported, compared to the higher computational complexity they require. This phenomenon is caused by the lack of shared experimental settings and strict analysis of proposed methods. In this paper, 1) we build experimental settings for fair comparison between the different recommenders, 2) provide empirical studies on the performance of the autoencoder-based recommender, which is one of the main families in the literature, and 3) analyze the performance of a model according to user and item popularity. With extensive experiments, we found that there was no consistent improvement between the neural and the non-neural models in every dataset and there is no evidence that the non-neural models have been improving over time. Also, the non-neural models achieved better performance on popular item accuracy, while the neural models relatively perform better on less popular items.

참고자료

· 없음