알맹로그

추천시스템 평가 01. 추천시스템 적용 영화/드라마 등 영상 플랫폼 영화, 음악, 동영상 등 영상 위주의 추천을 해주는 서비스/플랫폼 사용자의 리뷰, 또는 피드백을 분석해 관심분야(취향)를 파악하고 해당하는 콘텐츠 추천 소셜네트워크서비스 소셜네트워크 혹은 인터넷 커뮤니티 기반의 다양한 컨텐츠를 추천해주는 플랫폼 옷, 가전제품 등 쇼핑 플랫폼 e-Commerce로 잘 알려져있는 책, 가전제품, 식료품 등을 추천해주는 플랫폼 기타 서비스 제공 플랫폼 인테리어, 커플 매칭, 여행 등 관광/금융 상품 추천 플랫폼 02. 좋은 추천시스템 좋은 추천시스템을 만들기 위해 고려할 항목은 크게 5가지가 있다. 성능이 좋고 빠르고 설명 가능한 추천 알고리즘 → 적절한 아이템을 빨리 찾고 해당 아이템을 추천하는 이유를 설명..

추천시스템 01. 추천시스템? 사용자(user)와 아이템(item)으로 구성된 시스템으로, 특정 사용자가 좋아할 아이템 혹은 비슷한 상품을 좋아할 사용자를 추천해준다. [정의] 사용자로부터 선호도(Preference) 여부를 데이터화 하는 것이다. 이를 위해 Explicit Feedback(평점), Implicit Feedback(행동 패턴)을 사용할 수 있으며 사용자의 선호도와 제한사항을 바탕으로 가장 적절한 아이템 점수를 계산하여 관련있는 순서대로 사용자에게 list 형태로 추천을 제시한다. 추천시스템은 내가 실제로 원하는 것을 결과로 보여주는 pull 방식의 검색 엔진과 다르게 내가 원할 것 같은 것을 추천해주는 push 방식이다. 추천시스템의 등장 배경 서비스의 성장과 정보의 다양화 인터넷 관련 ..

Contextual Filtering 01. Contextual Information in RS Contextual Information 적용 Contextual Pre-filtering 맥락 정보를 활용해 처음 데이터를 필터링하는 기법 맥락 정보를 기준으로 user, item을 나눈다 Contextual Post-filtering user, item, contextual information 등 다양한 features로 모델링을 먼저 진행하고, 모델의 추천 결과를 맥락 정보로 필터링하는 기법 Contextual Modeling 맥락 정보 자체를 모델링에 활용하는 기법 Complex한 방법으로 머신러닝 등 모델을 활용할 수 있다. ⇒ Contextual layer를 어느 위치에 쌓는지에 따라 다르다. 1..

Context-Aware Recommender System 01. Context? Context : 상황을 설명하는 특징적인 정보(맥락) 맥락을 이해하는 것은 유저의 상황을 이해하는 것과 같다. 위치, 시간, 판매자 정보, 대표 키워드, 태그 등을 맥락으로 활용 가능하다. 맥락 정보를 Explicit하게 또는 Implicit하게 얻을 수 있다. Context-Aware Recommender System : 맥락을 이해한 추천 시스템 유저와 아이템의 단순 상호관계 파악뿐만 아니라 상황 정보도 포함한 추천시스템 적절한 맥락 정보로 filtering을 할 수 있다. 예시 뉴스 추천 : 유저의 성향, 뉴스 컨텐츠의 유사도 + 요일 정보 장소 추천 : 유저의 취향, 과거에 선택했던 아이템 + 해당 장소에 가고자 ..

Hybrid Recommender System 01. Review Contents-based RS Collaborative Filtering 장점 다른 사용자에 의존할 필요가 없다 새로운 아이템을 추천할 수 있다 장점 집단지성을 활용해 평가 품질이 높아진다 잠재적 특징을 활용해 폭넓은 추천이 가능하다 Implicit feedback 활용 가능하다 데이터가 쌓일수록 추천 품질이 올라간다 단점 아이템과 비슷한 분류를 추천할 수밖에 없다 잠재적 의미를 활용하기 어렵다 단점 cold-start 초기 사용자에게 추천이 어렵다 과거 데이터와 큰 데이터에 의존 02. Hybrid? 다양한 데이터와 다양한 알고리즘을 조합하는 방식 → 유저&아이템 프로필, 유저&아이템의 상호관계, 유저의 이웃 정보, 아이템의 이웃 정보..

스터디에서 발제했습니다. ㅎㅎ [논문]

1.2 Goals of Recommender System Recommendation problem이 formulted되는 여러가지 방식 중 가장 유명한 2개는 아래와 같다. 1. Prediction version of problem: 첫번째 접근은 user-item 조합의 평점을 예측하는 것이다. user의 item에 대한 선호도를 나타내는 training data가 있다고 가정한다. m명의 user와 n개의 item에 대해, 불완전한 mxn matrix를 만들 수 있고 여기서 특정 값(지정되거나 관찰된 값)은 training에 사용한다. matrix에서 비어있는 값은 training data로 예측해서 채워 넣는다. 우리는 완전하지 않은, 특정한 값만 채워져 있는 matrix를 가지고 있고 가지고 있는..

1.1 Introduction 추천 시스템의 등장 배경 Web의 중요성이 높아지면서 추천 시스템이 등장하게 됐다. Web을 사용하면서 user들의 피드백을 likes/dislikes로 받을 수 있게 됐다. 예를 들어, 넷플릭스의 user들은 마우스 클릭 한 번을 통해 손쉽게 피드백을 제공할 수 있다. 이 피드백은 ratings를 통해 하는데, user들이 여러가지 item에 대해 직접 별 다섯개 등으로 수치 값을 매기거나 likes/dislikes같이 2가지 중 선택해 클릭하는 방식이 있다. 위의 예시처럼 확실한 피드백 값은 아니지만 Web-centric paradigm에서는 더 쉬운 방법의 피드백을 얻을 수 있다. 예를 들어, 아마존 같은 온라인 쇼핑몰에서 특정한 item을 클릭해보거나 검색해보는 것을..

BOAZ 21-2 방학 스터디로 추천시스템을 공부합니다! 추천시스템 정의 사용자가 사용한 상품을 기반으로 아직 구입하지 않은 상품의 선호도를 추론하여 선호도가 높은 상품을 추천하는 것 Content-based : 상품을 기반으로, 내가 사용한 상품과 비슷한 걸 추천해주는 것 Collaborative : 협업, 나랑 취향이 유사한 다른 user가 좋아했던 걸 기반으로 추천해주는 것 Content-based Filtering 실제로 사용자가 평가했던 상품과 유사한 상품을 추천 UserA가 좋아한 MovieA를 보면 장르가 Love; Romantic인 것을 볼 수 있다. UserA가 좋아한 영화의 장르와 같은 장르인 MovieC를 userA에게 추천해준다. 이처럼 user가 좋아하는 "상품"을 기반으로 추천해..