[추천시스템] 2. Non-personalized and Content-based Recommendation

1. 왜 Non-personalized Recommendation을 하는가? - Cold-start problem : 새로운 유저가 들어오면 그 유저에 대한 정보가 부족함 - 간단하면서 유용함 - 개인화가 불가능한 어플리케이션과 미디어에 적용 2. Non-personalized Recommendation 출판 추천 : 편집상 선택됨 - 신문의 책, 영화, 음악 평론 - 미쉐린 가이드 인기도 기반 - 빌보드 차트, 멜론 차트 - 박스오피스 차트 등.. 3. Popularity-based Recommendation 각 아이템의 점수는 요약된 통계에 기반해서 계산됨 - 인기도(혹은 빈도) - 평점 - 유저가 선호할 확률 Naïve 평점은 잘못 될 수 있음 - 선호하는 사람들의 %를 합산하여 점수를 조정함 - ..

• format_list_bulleted 📚 STUDY/AI
• · 2023. 4. 18.
• textsms

[추천시스템] 1. Introduction to Recommender System

정보가 범람하는 시대에서 추천시스템은 유저가 선호할 만한 컨텐츠를 발견하는데 중요한 역할을 한다. Amazon에서 구매하는 품목의 35%, 넷플릭스에서 사용자가 시청하는 컨텐츠의 75%는 추천시스템을 통해 이뤄진다. 1. Information Retrieval(IR) 정보 검색 - 정적 콘텐츠 기반 : 컨텐츠를 인덱싱(indexing) 하는데 시간을 투자 - 동적 정보 요구 : 쿼리들(Queries)이 "real-time"에서 존재 일반적인 접근으로 TF-IDF 가 있다. TF-IDF TF(Term Frequency) : 용어의 수 IDF(Inverse Document Frequency) : 문서 수의 반비례 문서 집합(corpus)에서 한 단어(term)가 얼마나 중요한지를 수치적으로 나타낸 가중치. ..

• format_list_bulleted 📚 STUDY/AI
• · 2023. 4. 18.
• textsms

[추천시스템] 목차

본 시리즈는 연세대학교 인공지능학과 대학원 이동하 교수님의 "Recommender Systems and Information Filtering(AAI5009)" 수업의 정리임을 밝힙니다. 1. Introduction to Recommender System 2. Non-personalized and Content-based Recommendation 3. Nearest Neighbor Collaborative Filtering 4. Matrix Factorization Collaborative Filtering 5. Factorization Machines 6. Top-K Recommendation 7. Deep Learning for Recommender Systems 8. Hybrid Recommend..

• format_list_bulleted 📚 STUDY/AI
• · 2023. 4. 18.
• textsms