위 논문은 기존의 Collaborative Filtering(CF)에 사용되는 Matrix Factorization(MF) 기법에 대한 한계점을 짚어보고 Neural Collaborative Filtering을 활용하여 이러한 점들을 개선하고자 하였다.
추천 시스템(Recommendation System)은 다음과 같이 세가지 타입으로 분류가 가능하다.
1번의 경우 완전하게 개인화(personalized)된 추천 시스템이라고 볼 수 있으며 2번의 경우 일반적으로 개인화된 행동 이력이 아직 수집되지 않은 신규 사용자들을 대상으로 하는 추천 모델이 될 수 있다. 3번은 유사 아이템 추천을 필요로 할 때 사용할 수 있는 모델이다.
MF는 1번 타입으로 user-item 공간의 latent feature들의 inner product를 통하여 둘의 관계를 표현한다. 그러나 MF의 경우 user와item간의 관계를 학습함에 있어 선형(linear) 방식이기 때문에 비선형(non-linear) 방식인 Neural Net기반인 Neural Collaborative Filtering(NCF)를 제시함으로써 보다 더 유연한 방식으로 두 관계를 표현할 수 있도록 하였다.
Figure (a)에서 $u_4$가 $u_1>u_3>u_2$순으로 가까운 것으로 보이나, Figure (b)와 같이 공간 상에 표현할 경우 $p4$를 $p1$에 가깝게 배치하면 $p4$와 $p2$간의 간격차가 좁혀지면서 ranking에 loss가 발생한다. 이를 더 자세하게 설명하면 다음과 같다.
Figure (a)에서 $s_{ij}$는 $user_i$와 $user_j$의 유사도를 나타낸다고 할 때, 다음과 같은 관계가 성립된다.
$$ s_{23}(0.66) > s_{12}(0.50)>s_{13}(0.40) $$
위와 같이 user 2와 3이 가장 비슷하고, user 1과 3이 가장 덜 비슷한 것을 볼 수 있다. Figure (b)에서는 이러한 관계를 잠재 공간(latent space)상에서 보여주고 있다. 잠재 공간 상에서는 $user_2$와 $user_3$이 가장 가까이 위치하며 1과 3은 가장 멀리 위치하고 있다. linear space의 합계는 새로운 $user_4$가 등장했을 때 발생한다. Figure (a)를 통하여 $user_4$는 나머지 사용자와 다음과 같은 관계를 가진다.
$$ s_{41}(0.60)>s_{43}(0.40)>s_{42}(0.20) $$
앞서 얻은 각 사용자들 간의 유사도 정보를 기반으로 했을 때 $p4$와 $p1$을 가장 가깝게 하는 동시에 $p4$와 $p2$를 가장 멀게하는 $p4$ 벡터를 찾을 수 없다. 이처럼 Figure (b)와 같이 $user_1, user_2, user_3$를 $p_1, p_2, p_3$로 표현하고 $user_4$를 $p_4$로 추가하고자 할 때 ranking loss가 발생할 수 있다.
위의 예시에서는 아이템($item)$의 수가 5개이고 잠재 공간이 2차원(k=2)인 경우의 MF를 모델링하고자 할 때 본래 item vector들이 가지고 있는 차원보다 작은 차원으로 축소되는 특징을 볼 수 있었다. 이처럼 사용자(user)와 아이템(item)간의 복잡한 관계를 저차원의 잠재 공간(latent space)로 표현하고자 할 때 한계점들이 발생할 수 있으며 이러한 문제점을 해결하기 위하여 잠재 공간의 차원 수를 늘릴 경우 user-item matrix의 경우 대부분이 sparse하기 때문에 연산량이 증가하고 과적합될 가능성이 커지게 된다.