728x90 반응형 추천시스템9 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. Collaborative Filtering 에서의 유사도 지표 제안 논문(2). 이번 장에서는 아래의 포스팅 처럼 2가지 논문을 요약했던 것 처럼 또 2가지 논문을 살펴본 내용을 간략하게 요약하고자 한다. Collaborative Filtering 에서의 유사도 지표 제안 논문. Collaborative Filtering 에서의 유사도 지표 제안 논문. CF 알고리즘에서 새로운 유사도 지표를 제안하여 기존 보다 나은 성능을 내도록 연구한 논문에 대한 간략한 정리. 이번 장에서는 2개의 논문에 대한 정리를 한다. 기존의 어떤 문제를 해결하 data-science-hi.tistory.com 1. Integrating Triangle and Jaccard similarities for recommendation (2017). 먼저 소개할 논문은 Integrating Triangle and.. 2020. 11. 9. 메모리 기반 CF 추천시스템의 문제점 메모리 기반 Collaborative Filtering 추천시스템이 가진 문제점들에 대해 정리를 해본다. 크게 User-based, Item-based를 토대로 정리를 하였다. - Memory based Collaborative Filtering User based 추천시스템의 경우, 새로운 사용자에 대한 정보가 없기 때문에 이미 존재하는 사용자들과의 유사도를 구하는데 있어서 어려움이 있고, 이는 추천의 질을 떨어뜨린다. 이 문제가 바로 Cold-Start 문제인데, 새로운 사용자는 아직 application 사용 경험이 없기 때문에 취향을 나타내는 feedback이 거의 존재하지 않는다. 이에 이미 가지고 있는 Demography(인구통계)정보를 활용하는 방법이 있다. 사용자의 인구학적 통계자료인 성별.. 2020. 8. 23. 이전 1 2 다음 728x90 반응형
