효율적인 추천을 위한 선호 유지 해싱

추천 시스템은 일반적으로 사용자의 가장 선호하는 항목을 찾기 전에 많은 수의 항목을 비교해야 합니다. 이 과정은 추천이 대규모 데이터 세트에서 자주 이루어질 경우 매우 비용이 많이 들 수 있습니다. 본 논문에서는 추천 속도를 높이기 위해 선호 유지 해싱(Preference Preserving Hashing, PPH)이라는 새로운 해싱 알고리즘을 제안합니다. 해싱은 대규모 유사도 검색(예: 유사 이미지 검색)에 널리 활용되어 왔으며, 이진 해싱 코드에 의한 검색 속도가 실수 값 특성으로 인한 검색 속도보다 현저히 빠릅니다. 그러나 추천에 해싱을 적용하는 데 있어 한 가지 도전 과제는 추천이 항목의 유사성보다는 사용자의 선호와 관련이 있다는 점입니다. 이 도전 과제를 해결하기 위해 PPH는 대중적인 행렬 분해(MF) 알고리즘과 함께 작동하는 두 가지 새로운 구성 요소를 포함합니다. MF에서는 사용자와 항목 특성에서 학습된 실수 값 간의 내적을 계산하여 사용자의 항목에 대한 선호를 산출합니다. PPH의 첫 번째 구성 요소는 학습 과정을 제한하여 사용자의 선호가 사용자-항목 유사성으로 잘 근사화될 수 있도록 합니다. 두 번째 구성 요소는 학습된 실수 값 사용자/항목 특성에서 이진 해싱 코드를 생성하는 새로운 양자화 알고리즘입니다. 마지막으로, 빠른 해싱 코드 검색을 통해 효율적으로 추천을 달성할 수 있습니다. 세 가지 실제 데이터 세트에 대한 실험 결과, 제안된 PPH 알고리즘의 추천 속도가 실수 값 특성을 가진 원래 MF보다 수백 배 더 빠르며 추천 정확도도 이전 추천 해싱 작업보다 현저히 향상되었습니다.