Manal A. Alshehri

CIKM

ABSTRACT

뉴스 추천 모델 = 추천을 위해 사용자 ↔ 뉴스 상호 작용에 의존.

⇒ Cold-Start-Problem 발생. ()

⇒ 제로샷 학습이 누락된 데이터의 가상 표현을 합성 가능하기 때문에 이에 대한 솔루션이 될 수 있다.

⇒ Generative Adversarial 제로샷 학습 사용하여 GAZRec 프레임워크 구축 → 모든 뉴스 추천 모델에 적용 가능 + 다양한 콜드 스타트 시나리오에서 AUC 개선.

1. INTRODUCTION

뉴스 추천의 콜드 스타트 문제는 신규 사용자 또는 뉴스 기사가 아직 추천을 개인화하기에 충분한 상호 작용을 하지 않았을 때 발생한다. 이 문제로 인해 신규 사용자 및 신규 뉴스에 대한 추천의 정확도가 낮아져 사용자가 플랫폼에 머무르지 않게 됩니다.

기존 솔루션 문제점 = 일반적으로 특정 가정에 의존하거나 유사성 계산을 지원하기 위해 사용자 또는 항목에 대한 추가 정보가 필요합니다. → 일반적인 아이디어는 콜드 유저/아이템에 대한 추천 의사 결정 프로세스를 예열하기 위해 추가 정보를 찾는 것입니다.

뉴스 추천의 콜드 스타트 문제(CSP)는 컴퓨터 비전에서 사용되는 제로샷 학습(ZSL)의 누락 데이터 문제와 유사합니다. ZSL에서 누락 데이터는 unseen 클래스에 대한 샘플이 부족한 것을 의미하지만, CSP에서는 신규 사용자 또는 뉴스 기사에 대한 사용자-아이템 상호 작용이 부족한 것을 의미합니다. ZSL은 기본 속성을 활용하여 unseen 클래스의 가상 샘플을 생성할 수 있으며, 이 아이디어를 사용자/아이템 속성을 사용하여 이전 상호작용에서 새로운 상호작용으로 행동을 일반화함으로써 CSP에 적용할 수 있습니다.

기존 ZSL을 기반으로 하는 CSP 솔루션 → 사용자 콜드 스타트 문제만 해결, 추천을 위해 선형 변환 사용.