심층 융합 기반 다중 대상 교차 도메인 추천

국문 초록 (Abstract)

교차 도메인 추천은 정보가 풍부한 도메인의 지식을 희박한 대상 도메인에 전달하여 추천성능을 향상시킨다. 그러나 전달된 지식이 노이즈로 작용하여 성능이 떨어지는 부정적인 전달(Transfer Negative) 문제가 발생한다. 본 논문은 심층 순차 융합 기반 다중 도메인 추천 시스템(DFMCDR: Deep Fusion-based Multi-target Cross-Domain Recommendation)을 제안한다. 먼저 자연어 처리 기술인 단어 임베딩 Doc2Vec를 활용하여 사용자별로 도메인 간 지식을 시간적 순서로 융합하고 사용자-아이템 상호작용 모델링한다. 또한 사용자와 아이템간의 상호작용의 선형성과 비선형성을 효과적으로 학습하고 결합하여 사용자의 선호 확률을 예측하기 위해 2개의 인공 신경망을 결합한 심층 신경망 구조를 도입한다. 유명한 온라인 리뷰 서비스인 TripAdvisor의 세 개 도메인의 데이터에 대한 실험은 DFMCDR이 단일 도메인 및 교차 도메인 추천을 위한 여러 최신 추천 기법을 능가함을 보인다. 추가 실험은 DFMCDR이 여러 도메인을 융합하는 다중 교차 도메인 추천에 효율적으로 적용될 수 있음을 보였다.

다국어 초록 (Multilingual Abstract)

Cross-domain recommendation systems transfer knowledge across different domains to improve their performance in a target domain. However, they suffer from the problem of “negative transfer,” in which transferred knowledge operates as noise in a rich domain. In turn, it decreases their recommendation performance. This paper proposes a novel Deep Fusion-based Multi-target Cross-Domain Recommendation named DFMCDR. By exploiting Doc2Vec, one of the famous word embedding techniques, we fuse temporal-sequentially and transfer knowledge across domains user-wise to model users and items. In addition, a deep neural network structure is introduced to effectively learn the linearity and non-linearity of user-item interactions and integrate them to predict users’ preference possibility. Extensive experiments with three domain (i.e., restaurant, hotel, and attraction) datasets from TripAdvisor, one real-world online review service, demonstrate that DFMCDR outperforms the state-of-the-art algorithms for single and cross-domain recommendations. Furthermore, an additional experiment shows that DFMCDR can be effectively and efficiently adapted to multi-target cross-domain recommendation fusing for more domains.

목차 (Table of Contents)

• 초록
• ABSTRACT
• 1. 서론
• 2. 관련 연구
• 3. 방법론
• 4. 실험 및 논의
• 5. 결론
• References