#recsys

노트 8개

• DeepFM DeepFM (Guo et al., 2017)은 FM component와 Deep component를 병렬로 결합하여, low-order feature interaction(explicit)과 high-order feature interaction(implicit)을 동시에 학습하는 CTR 예측 모델이다.
• ESCM² (Entire Space Counterfactual Multi-Task Model) ESMM의 두 가지 이론적 한계 — Inherent Estimation Bias (IEB)와 Potential Independence Priority (PIP) — 를 해결하기 위해, Inverse Propensity Score (IPS) 및 Doubly Robust Estimator 기반…
• ESMM (Entire Space Multi-Task Model) CVR의 Sample Selection Bias와 Data Sparsity 문제를 동시에 해결하기 위해, $\text{impression} \to \text{click} \to \text{conversion}$의 순차적 사용자 행동을 활용하여 전체 impression space에서 CVR을 간접 학습하는…
• Factorization Machine Factorization Machine (FM)은 Rendle (2010)이 제안한 범용 예측 모델로, 모든 feature 쌍 간의 상호작용을 latent factor vector의 내적으로 모델링한다.
• 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 여러 관련 태스크를 동시에 학습하여 공유 표현(shared representation)을 통해 일반화 성능을 향상시키는 학습 패러다임
• PNN PNN (Qu et al., 2016)은 embedding layer와 DNN hidden layer 사이에 product layer를 도입하여, feature embedding 간의 interaction을 명시적으로 포착한 후 DNN으로 전달하는 CTR 예측 모델이다.
• Wide and Deep Wide & Deep (Cheng et al., 2016)은 Linear wide component(memorization)와 DNN deep component(generalization)를 결합한 CTR 예측 모델이다. Google Play 앱 추천에서 처음 적용되었다.