개발자식

Neural Collaborative Filtering(NCF) 등장 배경 Matrix Factorization은 latent factor간의 내적, 즉 선형 결합을 통해 유저-아이템 상호작용(Collaborative Signal)을 나타내기 때문에 복잡한 Signal을 알아내기 어렵다. 또한 새로운 유저가 등장하면 저차원 공간에 이를 표현하기 어렵다 → Neural Collaborative Filtering 등장 Neural Graph Collaborative Filtering(NGCF) 등장 배경 Neural Collaborative Filtering은 Neural Network를 사용하여 유저-아이템간 상호작용을 학습하는데 비선형적인 Collaborative Signal을 표현할 수 있다는 것이 M..

ALS - SGD가 두 개의 행렬(User Latent, Item Latent)을 동시에 최적화하는 방법이라면, ALS는 두 행렬 중 하나를 고정시키고 다른 하나의 행렬을 순차적으로 반복하면서 최적화하는 방법이다. - 기존의 최적화 문제가 convex 형태(볼록 형태)로 바뀌기에 수렴된 행렬을 찾을 수 있다. ALS Algorithm 1. 초기 아이템, 사용자 행렬을 초기화 2. 아이템 행렬을 고정하고 사용자 행렬을 최적화 3. 사용자 행렬을 고정하고 아이템 행렬을 최적화 4. 위의 2,3, 과정을 반복 -> 2,3번의 과정을 반복하면 아이템 행렬의 값이 달라져서 사용자 행렬의 최적화된 값도 달라지면서 두 행렬 모두 수렴의 근접한 값을 찾아준다. The ALS Algorithm WALS를 사용하기 위해 ..

Type of User Feedback Data 배울 내용 - WALS를 사용하여 협업 필터링 추천 시스템 구축 - User- Item 상호 작용 데이터를 이해하고 유사점 찾기 - WALS Matrix Factorization 텐서플로우 추정기에 대한 입력 함수 작성 - 일괄 예측/추천 - 프로덕션 버전 만들기 아이템 기반 추천 - 사용자가 좋아하는 아이템을 주면, 임베딩 공간에서 유사한 항목을 검색할 수 있다. - 아이템 임베딩 공간의 로컬 이웃에 있는 아이템은 거리 측정법을 사용한다. - 다른 사용자에 대한 데이터가 필요하지 않기 때문에 좋지만 일반적으로 도메인 지식이 필요하다 - 안전한 추천만 하고 임베딩 공간의 로컬 버블에 머무르며 우리의 제한된 데이터 공간(manifold)에서 무언가를 시도하지..

1. Content-Based Recommendation Systems - item features를 사용하여 사용자가 이미 좋아한 것과 유사한 새로운 항목을 추천하고, 그들의 이전 행동이나 명시적인 피드백을 기반으로 한다. - 다른 사용자 또는 다른 사용자 항목 상호 작용에 대한 정보에 의존하지 않는다. 2. Similarity Measures 두 영화가 비슷하다란? - 영화의 장르나 주제가 겹치는 것이 많다. 사용자가 비슷하다란? - 사용자가 과거에 좋아했던 영화나 장르가 겹치는 것이 많다. 머신러닝을 하려면 영화와 사용자를 비교해야 한다. 따라서 유사성에 대한 개념을 엄격하게 만들 필요가 있다. -> 항목의 속성이나 기능을 생각하여 동일한 임베딩 공간에 있는 사용자가 얼마나 유사한지 비교할 수 있다..

Recommendation System Overview 1. Introduction "Recommendation engines" - 머신러닝의 가장 성공적이고 널리 퍼진 비즈니스 사례이고 즐겨 사용하는 애플리케이션에서 많이 지원한다. - ex) Youtube, Google Play "what exactly are recommendation engines?" "What do they do and how do they work?" - 기본적으로 사용자가 과거에 상호작용 했던 제품을 기반으로 확인하지만 유튜브의 경우 사용자의 로그가 기록된다. 사용자가 직접 검색에 도달하지 못할 항목들도 추천해준다. -> 그래도 사용자와 관련됨 - Recoomendation engines provide a way of surf..