[추천시스템] 8. Hybrid Recommender Systems

Sparsity of Users’ Feedback User-Item interaction 메트릭스는 굉장히 크고 sparse 할 수 있다. 이 부분이 추천의 성능에 어려움을 가져다 주게 된다. 이럴 때, 주어진 User-Item interaction 외에 Auxiliary content information이 도움이 될 수 있다. Hybrid Recommender Systems Hybrid Recommender Systems는 content-based와 collaborative filtering 방식을 합친 특수한 추천 시스템이다. content-based : 아이템을 벡터화해서 유저가 선호하는 아이템을 추천 collaborative filtering : 유저-아이템 상호작용을 활용하여 유저가 선호하는 ..

• format_list_bulleted 📚 STUDY/AI
• · 2023. 4. 24.
• textsms

[추천시스템] 7. Deep Learning for Recommender Systems

추천시스템을 위해 DNNs을 활용하는 방법 Contextual Information 유저와 아이템의 Contextual Information을 통합하기 위해, 부가적인 정보를 어떻게 활용해서 의미있는 feature를 잡아내고, 그 features들을 추천시스템에 통합할 수 있을지 고민해야한다. User-Item Score Modeling Top-k recommendation을 위한 이전의 방식 (BPR, CML) 각 유저 u에 대한 각 아이템 i의 점수를 모델링을 할 때, User Encoder, Item Encoder를 이용해 유저와 아이템 임베딩 메트릭스 U와 V를 생성한다. 이렇게 얻은 두 메트릭스의 벡터 유사도(inner product 또는 유클리디안 거리...)를 통해 User-Item Scor..

• format_list_bulleted 📚 STUDY/AI
• · 2023. 4. 24.
• textsms

[추천시스템] 6. Top-K Recommendation

Rating Prediction > Explicit feedback의 단점 Latent factor model은 보통 rating prediction 태스크에 집중되었다. 유저의 명시적인 선호도 점수(explicit preference rating)는 user-item 매트릭스로 표현된다. 하지만, 실제 시나리오(real-world scenarios)에서 명시적인 피드백 데이터는 얻기 어렵다는 단점이 있다.. 때문에 MC를 내재적 피드백 매트릭스로 확장하는 방법에 대한 연구가 이뤄졌다. 내재적 피드백(implicit feedback)의 종류로는 클릭이나 조회 여부가 있고, 메트릭스에서 이진값(0/1) 로 표현된다. > 한계점 일반적인 MC의 objective function을 사용하게 되면 모든 unob..

• format_list_bulleted 📚 STUDY/AI
• · 2023. 4. 23.
• textsms

[추천시스템] 5. Factorization Machines

Factorization Machines (FM) FMs은 real-valued features를 latent factor space에 맵핑하는 일반적인 지도 학습 모델이다. MF와 FM의 목표는 둘다 input에 대해 파악되지 않은 rating을 예측하는 것이다. 일반적인 MF 알고리즘들은 더 일반적이거나 유연한 FM 모델 클래스의 특수한 케이스로 재구성 할 수 있다. MF의 latent space는 아이템에 대한 유저의 rating에 대한 것을 담았다. 이 경우 유저와 아이템의 수가 많으면 많은 weight를 사용해 오버피팅이 될 가능성이 높다. FM의 latent space는 아이템과 유저에 관한 정보를 one-hot encoding 하고 concat 하고 부가적인 features를 추가하여 spa..

• format_list_bulleted 📚 STUDY/AI
• · 2023. 4. 23.
• textsms

[추천시스템] 4. Matrix Factorization Collaborative Filtering

Collaborative Filtering에는 두가지 방법이 있다 1. 이웃 기반 방법 (Neighborhood-based Method) - 영화 선호도의 유사도에 기반하여 이웃을 탐색 - 찾아낸 이웃들이 시청한 영화를 추천 2. 잠재 요소 방법 (Latent Factor Method) - Low-dimensional (latent) space에 유저와 영화의 성질을 표현 - 유저와 근접도(proximity)에 기반해서 영화를 추천 - Goal : 유저와 영화를 latent space에 잘 임베딩 하는 것 Matrix Completion(MC) MC는 CF에서 널리 쓰이는 태스크이다. 먼저 유저의 아이템에 대한 explicit feedback을 고려한다. 미완성(incomplete)인 user-item ..

• format_list_bulleted 📚 STUDY/AI
• · 2023. 4. 20.
• textsms

[추천시스템] 3. Nearest NeighborCollaborative Filtering

1. Collaborative Filtering Collaborative Filtering : behavior-based(user interation) recommendation - 아이템의 속성을 무시 - user-item interaction에 주목 : 어떤 사람이 유저가 구매한 아이템을 좋아하는지 장점 1. 추천되는 특정 아이템의 내용과 무관하게 작동하는 알고리즘 2. "두산 베어스 굿즈를 전부 산 유저들이 마라탕을 좋아한다" 같은 흥미로운 패턴들도 찾을 수 있음 2. Neighborhood-based Collaborative Filtering - 유저의 성향과 아이템의 유사도로 선호도를 예측 - 비슷한 성향을 가진 유저가 소비한 아이템을 추천해줌 3. User-based Collaborative ..

• format_list_bulleted 📚 STUDY/AI
• · 2023. 4. 19.
• textsms