예측과 순위의 차이
추천의 목표가 개인별 항목 순서라면 점수를 예측하는 학습 기준과 순위를 잘 만드는 기준이 같지는 않을 수 있다. BPR은 암묵적 피드백의 개인화 순위를 직접 다루는 최적화 문제를 제안했다.
베이즈 관점의 기준
문제의 베이즈 분석으로부터 사후확률 최대 추정인 BPR-Opt를 도출한다. 이 기준에 맞춰 모형을 최적화하는 일반적인 학습 알고리즘은 부트스트랩 표본 추출과 확률적 경사 하강을 사용한다.
여러 모형의 학습
원 연구는 행렬 분해와 적응형 k-최근접 이웃에 이 학습 방법을 적용했다. 개인화 순위 과제에서 기존 학습 기법과 비교해 과제에 맞는 최적화 기준의 중요성을 조사했다.
관련 문서
협업 필터링 / 행렬 분해 / k-최근접 이웃 / 확률적 경사 하강법 / 최대 사후 확률 추정 / SimpleX