항목 인기도 편향 관점에서의 잡음제거 오토인코더의 효과 


48권  5호, pp. 575-583, 5월  2021
10.5626/JOK.2021.48.5.575


PDF

  요약

잡음제거 오토인코더는 추천 시스템에서 최근 흔히 사용되고 있는 모델이다. 이 모델은 입력에 잡음을 주어 학습시키는 오토인코더의 신경망 기반 추천 모델로 오토인코더에 비해 높은 정확도를 보인다. 본 논문에서는 잡음제거 오토인코더의 학습 과정을 이해하기 위해서, 항목의 인기도 편향 관점에서 잡음의 효과를 분석한다. 분석을 위해 우리는 다음의 두 가지 방법으로 실험을 설계한다. 우선, 오토인코더에 잡음을 주는 방법으로 학습된 항목 벡터의 L2 노름(L2-norm)의 변화를 관찰한다. 다음으로는, 항목의 인기도에 의해 일차적으로 추출된 항목에만 잡음을 주는 방법을 통해, 잡음제거 오토인코더의 성능 향상 효과와 항목의 인기도간 관련성을 분석한다. 실험결과를 통해 인기도에 의해 생긴 항목 벡터 노름의 분산의 크기가 잡음에 의해 줄어드는 것을 확인하였으며, 또한 인기도가 높은 항목에 잡음을 줄 때 정확도 향상에 도움이 되는 것을 확인하였다.


  통계
2022년 11월부터 누적 집계
동일한 세션일 때 여러 번 접속해도 한 번만 카운트됩니다. 그래프 위에 마우스를 올리면 자세한 수치를 확인하실 수 있습니다.
  논문 참조

[IEEE Style]

J. Kim, J. Lee, J. Lee, "Effect of Denoising Autoencoder in the view of Item Popularity Bias," Journal of KIISE, JOK, vol. 48, no. 5, pp. 575-583, 2021. DOI: 10.5626/JOK.2021.48.5.575.


[ACM Style]

Jinhong Kim, Jae-woong Lee, and Jongwuk Lee. 2021. Effect of Denoising Autoencoder in the view of Item Popularity Bias. Journal of KIISE, JOK, 48, 5, (2021), 575-583. DOI: 10.5626/JOK.2021.48.5.575.


[KCI Style]

김진홍, 이재웅, 이종욱, "항목 인기도 편향 관점에서의 잡음제거 오토인코더의 효과," 한국정보과학회 논문지, 제48권, 제5호, 575~583쪽, 2021. DOI: 10.5626/JOK.2021.48.5.575.


[Endnote/Zotero/Mendeley (RIS)]  Download


[BibTeX]  Download



Search




Journal of KIISE

  • ISSN : 2383-630X(Print)
  • ISSN : 2383-6296(Electronic)
  • KCI Accredited Journal

사무국

  • Tel. +82-2-588-9240
  • Fax. +82-2-521-1352
  • E-mail. chwoo@kiise.or.kr