Denoising autoencoder (DAE) is commonly used in recent recommendation systems. It is a type of Autoencoder that trains by giving noise to the input and has shown improved performance compared to autoencoder. In this paper, we analyze the effect of noise in terms of item popularity to interpret the training of DAE. We designed the experiment in the following two ways. First, We observe the changes in learned item vector’s L2-norm by giving noise to the autoencoder. Second, by giving noise only to presampled items by popularity, we analyze whether the improved performance of the DAE is related to item popularity. Results of experiment showed that the variance of the item vector norm caused by popularity was reduced by noise, and that the accuracy increased when noise was given to the popular items.
잡음제거 오토인코더는 추천시스템에서 최근 흔히 사용되고 있는 모델이다. 이것은 오토인코더의 입력값에 잡음을 주어 학습시키는 신경망 기반 추천 모델로 오토인코더에 비해 높은 정확도를 보인다. 본 논문에서는 잡음제거 오토인코더의 학습 과정을 이해하기 위해, 두 가지의 방법으로 실험을 설계하여 잡음의 효과를 분석한다. 1) 잡음제거 오토인코더에 의해 학습된 항목 벡터의 L2 노름(L2-norm)의 변화를 관찰한다. 2) 다음으로는, 항목의 인기도에 의해 일차적으로 추출된 항목에만 잡음을 주는 방법을 통해, 잡음제거 오토인코더의 성능 향상 효과와 항목의 인기도간 관련성을 분석한다. 실험 결과, 인기도에 의해 생긴 항목 벡터간 노름의 분산이 잡음에 의해 줄어드는 것을 확인하였으며, 또한 인기도가 높은 항목에 잡음을 줄 때, 추천 결과의 정확도가 향상이 되는 것을 확인하였다.