잠재 변수 신경망 기반 하이브리드 추천 모델

**1. 서론** 현대의 전자상거래와 스트리밍 서비스에서는 방대한 양의 아이템 중에서 사용자가 선호할 만한 것을 찾아주는 추천 시스템이 핵심 역할을 한다. 기존에는 콘텐츠 기반 필터(CBF)와 협업 필터(CF) 두 가지 접근법이 주류를 이루었으며, CBF는 아이템의 메타데이터(예: 장르, 키워드)를 활용해 유사성을 판단하고, CF는 사용자 간 평점 패턴을 기반으로 미평가 아이템을 추정한다. CF는 일반적으로 CBF보다 높은 정확도를 보이지만, 아이템이 아직 평점을 받지 않은 경우(콜드‑스타트)에는 전혀 동작하지 않는다. **2. 관련 연구** 행렬 분해(Matrix Factorization, MF)는 Netflix 챌린지 이후 추천 분야의 표준 기법으로 자리 잡았다. MF는 평점 행렬을 두 개의 저차원 잠재 행렬로 분해해 예측을 수행한다. 그러나 MF는 순수히 평점 정보만 사용하므로 콜드‑스타트 문제를 해결하지 못한다. 이를 보완하기 위해 콘텐츠 기반 정보를 결합한 하이브리드 방법들이 제안되었으며, 대표적으로 CBF와 CF를 별도로 학습한 뒤 결과를 가중 평균하거나, CBF를 통해 결측값을 채워 MF에 입력하는 방식이 있다. 또한, 비지도 역전파(UBP)와 생성적 역전파(GenBP)와 같은 신경망 기반 차원 축소 기법이 제안되었지만, 이들 역시 명시적 특성을 직접 활용하지 못했다. **3. 잠재 신경망(LNN) 모델** 본 논문은 위의 한계를 극복하기 위해 **잠재 변수 신경망(LNN)**을 제안한다. LNN은 다음과 같은 구성 요소를 갖는다. - **입력**: 아이템 평점 행렬 **X**(m × n)와 아이템 설명 행렬 **A**(m × a). - **잠재 변수**: 각 아이템에 대해 학습되는 저차원 벡터 **vᵣ**(1 × t). - **결합**: **qᵣ =