#recsys

노트 8개

• DeepFM DeepFM (Guo et al., 2017)은 FM component와 Deep component를 병렬로 결합해, 저차 특성 상호작용(low-order feature interaction, explicit)과 고차 특성 상호작용(high-order feature interaction, implicit)을 동시에…
• ESCM² (Entire Space Counterfactual Multi-Task Model) ESCM²는 ESMM의 두 가지 이론적 한계 — Inherent Estimation Bias (IEB)와 Potential Independence Priority (PIP) — 를 해결하려고, Inverse Propensity Score (IPS)와 Doubly Robust Estimator 기반의 반사실 위험…
• ESMM (Entire Space Multi-Task Model) ESMM은 CVR 학습의 표본 선택편향(sample selection bias)과 데이터 희소성(data sparsity)을 동시에 푸는 다중 작업 학습(multi-task learning) 모델이다. $\text{impression} \to \text{click} \to \text{conversion}$으로…
• Factorization Machine 모든 특성 쌍의 상호작용을 latent vector 내적으로 모델링해, 희소 데이터에서도 관측되지 않은 쌍을 일반화하고 $O(kn)$ 선형 시간에 학습하는 범용 예측 모델.
• LLM Multi-Layer Attribute Extraction for Cross-Domain Recommendation A case study on extracting a 3-layer attribute taxonomy (product / perceptual / theory-grounded) with LLM/VLM pipelines, turning it into user profiles and a mixture-of-experts adaptor, and plugging it into standard recommenders across two public domains (fashion + music).
• Multi-Task Learning 다중 작업 학습(multi-task learning)은 서로 관련된 여러 태스크를 동시에 학습해, 공유 표현(shared representation)으로 일반화(generalization) 성능을 끌어올리는 학습 패러다임이다.
• PNN PNN(Qu et al., 2016)은 embedding layer와 DNN의 hidden layer 사이에 product layer를 두어, 특성(feature) 임베딩(embedding) 사이의 상호작용(interaction)을 명시적으로 포착한 뒤 DNN으로 전달하는 CTR 예측 모델이다.
• Wide and Deep Wide & Deep(Cheng et al., 2016)은 선형 wide component(기억, memorization)와 DNN deep component(일반화, generalization)를 결합한 클릭률(CTR) 예측 모델이다. Google Play 앱 추천에 처음 적용되었다.