본문 바로가기
728x90
반응형

Recommender Systems4

[CS246] RecSys (4) - Latent Factor Models (Matrix Factorization, MF, UV decomposition) 이번 포스팅은 2006년에 넷플릭스 대회를 통해 실제 추천시스템 대회에서 utility matrix의 형태와 평가기준(evaluation criterion)에 대해 살펴본다.그리고 넷플릭스 utitlity matrix를 채우는 방법으로 UV decomposition을 소개하고, 이를 이용한 모델을 설명한다. ※ Matrix Factorization (MF)은 종종 UV decomposition 등으로 불린다.※ MF로 얻는 두 행렬은 Google에서는 U와 V, wiki에서는 H와 W로 표기한다. 여기서는 CS246의 표기(P와 Q)를 따른다.The Netflix PrizeTraining data100M개의 ratings (1-5의 평점을 가짐)user 수: 480Kmovie 수: 18KTest data.. 2023. 10. 24.
[CS246] RecSys (3) - Collaborative Filtering (CF) Collaborative FilteringContent-based 방법은 다른 user의 정보를 이용하지 않고 item profile을 이용했다. (user profile도 사실상 item profile에서 만들었음). Collaborative Filtering(CF)은 다른 user의 정보를 이용하여 item을 추천해주는 방법이다. 이 방법은 item이나 user profile을 만들지 않는다. 대신에 utility matrix의 row/column을 이용한다. user-user collaborative filtering과 item-item collaborative filtering 이렇게 2가지 방법이 존재한다.User-User Collaborative Filteringuser X의 rating과 유.. 2023. 10. 13.
[CS246] RecSys (2) - Content-based Approach Main ideaitem은 profile(혹은 feature라고도 부른다.)을 갖는다.item이 video라면 [장르, 감독, 배우, 줄거리, 개봉연도 등] 의 profile을 갖고,item이 new라면 [keyword 집합] 을 profile로 가질 수 있다. 추천시스템은 customer $x$에게 과거 높은 점수(highly rated)를 가진 item과 유사한 item을 추천해주는 방법이다.Item Profiles이제 item profile을 만들어보자. Profile은 feature의 집합(또는 feature vector)로 나타낼 수 있다.위에서 언급한 movie의 profile은  [장르, 감독, 배우, 줄거리, 개봉연도 ] 이므로 vector이고,text document와 같은 경우 {key.. 2023. 10. 13.
[CS246] RecSys (1) - Introduction Recommender Systems Web application에서는 user의 반응(response)를 예측해야하는 영역이 있는데, 이를 추천시스템(recommender systems, RecSys) 이라 부른다.유저의 기존 관심사를 바탕으로 새로운 온라인 뉴스기사를 추천해주거나, 전자상거래에서 과거 구매목록을 이용하여 새로운 상품을 추천해주는 것이 예가 된다. From Scarcity to Abundance최근 온라인의 발달로 Web(혹은 Online)에서 이런 추천시스템이 가능해졌다.과거 Shelf space의 경우에는 제한된 공간과 판매원에 의존했지만, Web space에서는 사실상 모든 user에게 정보를 제공할 수 있다. ※  물론 추천시스템이 만능은 아니다. 경우에 따라 association.. 2023. 10. 12.
728x90
반응형

티스토리툴바