다시 이음

Neural Collaborative Filtering(2017) Abstract 최근 동향에서는 추천 시스템을 위한 딥러닝은 보조적인 영향을 보였지만 matrix factorization(행렬분해)과 user, item의 latent feature(잠재 요인)에 내적을 적용하는 user, item feature 사이의 interaction인 협업 필터링에서는 key factor(핵심요인)이 되었다. Neural network based Collaborative Fiterling의 약어인 NCF는 일반적이며 행렬분해(MF)을 사용할 수 있습니다. 비선형으로 NCF 모델링을 강화하기 위해서 퍼셉트론을 활용하여 user-item interaction을 학습할 것을 제안합니다. 1. INTRODUCTION 많..

추천을 위한 다양한 알고리즘의 분류로 메모리 기반 알고리즘 , 모델 기반 알고리즘이 있습니다. 앞에서 알아본 협업 필터링이 메모리 기반 알고리즘이며 추천을 위한 데이터를 모두 메모리에 가지고 있으면서 추천이 필요할 때마다 이 데이터를 사용해서 계산을 하여 추천하는 방식입니다. 모델 기반 알고리즘은 데이터로부터 추천을 위한 모델을 구성한 뒤에 이 모델만을 저장하고 실제 추천할때 이 모델을 사용하여 추천하는 방식입니다. 이번 포스트에서 알아볼 행렬요인화(Matrix Factorization) 추천방식이 대표적인 모델 기반 알고리즘입니다. 메모리 기반 알고리즘 모델 기반 알고리즘 장점 - 모든 데이터를 메모리에 저장하고 있어 데이터를 충실히 사용한다. - 개별 사용자의 데이터에 집중하여 개별 사용자의 행동분석..

협업 필터링(Collaborative Filtering) 1. 유사도 지표(similarity index) 사용자간의 유사도를 구하는 것이 핵심 1) 상관계수(Correlation coefficient) 원래 사용되는 상관계수 식에서 사용자 x,y의 평균 평점과 s아이템에 대한 평점을 사용하여 상관계수를 측정할 수 있습니다. 평가 자료가 연속값인 경우에 가장 이해하기 쉬운 유사도로 사용된다.(-1에서 1사이의 값을 가짐) 그러나, 단점으로 늘 좋은 결과를 가져오지는 못한다. 2) 코사인 유사도 코사인 유사도에서는 각 아이템을 하나의 차원(dimention)으로 보고 사용자의 평가값을 좌표값으로 본다. 각 사용자의 평가값을 벡터로 해서 두 사용자 간의 벡터의 각도(코사인값)을 구할 수 있다. def cos..

안녕하세요. 오늘은 어제 리뷰하였던 협업 필터링 추천 시스템 이후의 추천시스템 알고리즘에 대해서 알아보도록 하겠습니다. https://aifactory.space/competition/detail/2009 INNOPOLIS AI SPACE-S 인공지능 세미나 - 추천시스템 더 알아보기 aifactory.space Sequential, Session Recommendation 사용자가 상호작용하는 항목을 상품의 집합으로 보는 것이 아닌 상품의 구매 순서 까지 고려해서 추천하는 방법 이를 통해서 이전 협업 필터링(잠재 요인 협업 필터링)에서 적용하기 어려웠던 사용자의 long-term, short-term 선호도 변화도 적용할 수 있게 되었습니다. Sequential Based : 긴 시간 동안 일반적인 l..

안녕하세요. 추천 시스템에 대한 좋은 자료가 있어 영상을 시청하고 정리하려고 합니다. 추천 시스템 기초 내용을 담고 있는 영상 자료와 실습을 할 수 있는 페이지 링크를 남겨놓겠습니다. https://aifactory.space/competition/detail/1977 INNOPOLIS AI SPACE-S 인공지능 세미나 - 추천시스템 입문하기 aifactory.space 추천 시스템이란? 어떤 사용자에게 어떤 아이템을 어떻게 추천할지 문제 설정 - Rating Prediction : User-Item Matrix Rating 에서 빈칸을 채우는 문제 - Top-k Recommendation Problem : Rating(평점) 예측이 중요한게 아니라 k개의 상품을 추천하는 것에 중점 Rating(평점)..