728x90 반응형 추천시스템19 GC-MC(Graph Convolutional Matrix Completion) Abstract 본 논문에서는 평점 행렬의 빈공간을 채우는 Completion 관점에서 바라보고 있습니다. 영화 평점 행렬과 같은 데이터를 그래프 기반으로 바라보면서 값을 채우는 식으로 추천을 하게 되는데요. 기존에 알고 있던 Matrix Factorization과 결이 같다고 볼 수 있습니다. 영화 평점 행렬같은 케이스를 bipartite graph로 보는데 아래의 사진과 같이 빨간색은 사용자, 파란색은 영화. 이렇게 생각하면 됩니다. GC-MC는 일반적인 CF 벤치마크에 대비 경쟁적인 성능을 보인다고 합니다. 1. Introduction 본 논문에서는 행렬 완성(completion)을 그래프의 링크를 예측하는 문제로 봅니다. CF는 사용자와 아이템 간의 이분 그래프로 나타낼 수 있기 때문입니다. 그래.. 2023. 2. 20. LightGCN Abstract GCN의 경우 협업필터링에 있어서 새로운 state-of-arts 로 등극했지만! 추천하는데 있어서 효율성에 있어서는 이해가 잘 되지 않는 경우가 많다고 할 수 있음! GCN의 특징인 feature transformation and nonlinear activation 는 협업필터링 성능 향상에 기여를 별로 못하기도 하고, 추천성능도 그닥 안좋고, 학습하기도 까다로운 츼명적인 단점이 있음. 이 연구에선 GCN 디자인을 심플하게 하고, 추천에 있어서 정확하고 간결한 모델을 만드는데 그 목적이 있음! 특히 LightGCN은 사용자와 아이템 상호작용 그래프로 선형적으로 순전파하면서 사용자와 아이템 임베딩을 학습한다. 마지막 임베딩으로 모든 레이어에 대해 학습된 임베딩의 가중합을 사용한다. 1... 2023. 2. 12. 추천시스템. 염두에 둘 것. 추천시스템을 적용할 때 고려해야 할 사항. - 콘텐츠가 많은 경우 특정 카테고리의 콘텐츠에 대한 정보로 다른 카테고리 콘텐츠 추천에 적용하는 경우에 주의해야 한다. 적용하는 경우 카테고리 간의 관계를 고려해야 한다. - 작은 데이터로 실험하되, 추천알고리즘의 갱신주기, 계산복잡도를 현실적으로 커버할 수 있는지 고려해야 한다. - 사용자 선호도를 나타내는 로그가 많다면 그 많은 복잡한 정보를 모두 수용할만한 복잡한 알고리즘이 필요할 수 있다. - 사용자에 대한 패드백은 개개인별로 상대적인 값이므로 절대적으로 비교하기 보다 이러한 상대성을 고려하면 좋다. - MF의 경우 예측값을 뽑기 위해서 데이터 전체를 넣어서 dense matrix를 만들어 추천리스트를 생성한다. - 새로운 사용자나 새로운 콘텐츠가 들어.. 2022. 11. 20. 추천시스템 기술 요약 추천시스템을 적용하는 일에 뛰어들기에 앞서 팀원들과 함께 추천시스템 관련 서적~ 강의~ 컴퍼티션 등에 참가해 적극적으로 공부중이다! 지금은 전체적으로 한번 아우르는 좋은 강의를 공유받아 강의를 듣고 짧게만 요약을 해보았다! 강의 설명이 너무 친절하고 코드가 간결해서 입문으로 정말 추천하고 싶은 강의다! 👍👍👍👍 연관분석 - 상품사이에 어떤 연관이 있는지 찾는 알고리즘. 장바구니에 동시에 담긴 아이템들의 연관성을 본다하여 장바구니 분석이라고 표현한다. 연관분석은 얼마나 자주 같이 구매되는가? A를 구매한 사람이 B를 구매하는가? 에 초점을 맞춘다. - 가능한 모든 경우의 수를 탐색해 지지도, 신뢰도, 향상도(연관규칙 평가지표)가 높은 규칙을 찾아내는 방식으로 규칙을 생성한다. - 단점은 아이템이 증가하면 .. 2022. 11. 13. 딥러닝과 추천시스템 딥러닝은 여러개의 은닉층을 쌓아 놓은 다층 신경망 구조라고 개략적으로 볼 수 있다. 여기서 추천시스템에 딥러닝을 적용하려면 다소 까다롭게 느껴진다. 왜냐하면 rating matrix를 자주 보지도 않았을 뿐더러 더군다나 null 값이 상당히 많이 존재하기 때문이다. 그리고 기존의 우리가 딥러닝 input 으로 넣어주는 값은 대게 M x N 이라는 case by fearuse 형태의 독립변수 행렬이었고, loss 값 계산을 위해서는 M x 1 이라는 종속변수 벡터를 사용했기 때문이다. 그래서 추천시스템에서는 앞서 스터디 했던 MF 알고리즘에서 본 것 처럼 user x latent factor, item x latent factor 두 행렬을 input으로 넣는 작업으로 시작한다. 이 방법만 있는 것은 아니.. 2021. 3. 18. Model based Collaborative Filtering 추천시스템에서 널리 알려진 collaborative filtering(CF)는 주변 사용자들의 정보를 활용하여 추천을 하는 방법이다. 이번 장에서는 CF 알고리즘의 memory based 기반의 방법이 아닌 model based 로 하여금 CF 를 진행하는 방법에 대하여 알아보고자 한다. 아래의 그림은 model based CF 알고리즘에 대한 방법론들을 도식화 해놓은 그림이다. model based CF 방법들은 크게 클러스터링을 기반으로하는 알고리즘, 행렬 분해를 사용한 알고리즘, 그리고 성능이 가장 뛰어난 딥러닝 알고리즘으로 나뉘게 된다. 여기서 Matrix factorization 을 기반으로한 추천시스템의 알고리즘에 대해 알아보도록 한다. 먼저 기존의 memory based CF 추천시스템의 경.. 2021. 2. 4. 이전 1 2 3 4 다음 728x90 반응형
