추천프로그램 #01

https://tacademy.skplanet.com/live/player/onlineLectureDetail.action

https://wikidocs.net/123689

https://www.facebook.com/groups/2611614312273351

https://root-decimal-c5d.notion.site/Recommender-System-KR-5b773a06e99145e6855bae391c94dc44

https://ziminpark.github.io/posts/danggeun/

https://data-artist.tistory.com/7

기업의 추천시스템
당근: 남들이 본 것 추천
브런치: 유사한글 추천

• 롱테일의 법칙: 하위 80%가 상위 20%보다 가치가 크다

연관분석

Association Analysis:

• 얼마나 같이 구매하는지
• A와 함께 B를 구매하는지
  
• confidence P(B|A)
  

Apriori

FP-Growth: Apriori 속도 개선

• 단점: 아이템간의 연관성 찾기 어려움
  
  
  
  
  
  

https://www.kaggle.com/chocozzz/00-apriori-fp-growth

컨텐츠기반 추천 (vs 사용자기반)

1. 벡터 간 유사도 계산하여 추출

유클리디안

코사인

• dice, divergence(분포유사도), sorensen도 많이 사용
• 카카오브런치 추천대회 참조
• 유사도 매트릭스 더하기 or
• 매트릭스마다 모델 만들어서 추천결과를 결합

2. 벡터로 변환하는 법

• 자연어, "텍스트", 이미지, 태블로데이터... etc

TF-IDF

• TF-IDF 계산
  
  
  

https://www.kaggle.com/chocozzz/00-tf-idf-1

word2vec

• 유사도 반영하는 임베딩방법론
  
  

CBOW

SKIP-GRAM (better)

https://www.kaggle.com/chocozzz/00-word2vec-1

컨텐츠기반 모델 정리