강화된 협업 필터링을 위한 이산 개인화 순위

개인화 순위는 보통 추천 시스템의 궁극적인 목표로 간주되지만, 추천을 생성할 때 효율성 문제에 직면합니다. 이를 위해 우리는 사용자가 아이템을 해밍 공간에 매핑하는 이산 개인화 순위(DPR)라는 학습 기반 해싱 프레임워크를 제안합니다. 여기서 사용자-아이템 친화성은 해밍 거리를 통해 효율적으로 계산될 수 있습니다. 이산 제약의 존재로 인해 대부분의 기존 방법에 따라 이진 코드를 학습하기 위한 이단계 학습 절차를 이용할 수 있습니다. 이 이단계 절차는 이산 제약을 폐기하여 완화된 최적화를 수행하고 이후 이진 양자화를 포함합니다. 그러나 이러한 절차는 큰 양자화 손실을 초래하는 것으로 나타났으며, 따라서 더 긴 이진 코드가 필요하게 됩니다. 이를 해결하기 위해 DPR은 개인화 순위의 이산 최적화 문제를 직접 다룹니다. 그리고 이진 코드의 균형 및 비상관 제약을 부여하여 간결하면서도 정보적인 이진 코드를 도출합니다. 여러 데이터 세트에 대한 평가를 기반으로 제안된 프레임워크는 짧은 이진 코드만 사용하더라도 경쟁 기준선에 비해 일관된 우위를 보입니다.