Today I Learned

오늘 공부한 내용은 여러 추천모델을 사용해 보기 위해 RecBole 라이브러리를 공부해봤다.

14주차 주간학습정리

일일 학습 정리로 매일 복습, 과제, 피어세션, 회고 정리했고 아래 링크 달았습니다.

• 241119 TIL #544 AI Tech #77 RecSys 평가 방법 / 데이터 분할 전략
• 241120 TIL #545 AI Tech #78 LightGBM Ranker 구현 시도
• 241121 TIL #546 AI Tech #79 Multi-VAE
• 241122 TIL #547 AI Tech #80 14주차 주간학습정리 / RecBole 라이브러리

팀 회고

RecBole

2020년에 출시된 파이토치/파이썬 기반의 포괄적인 추천시스템 프레임워크

특징

• 다양한 모델 지원 : 91개의 추천 모델과 43개의 데이터셋 제공
• 모듈화된 구조 : 데이터, 모델, 설정 파일이 체계적으로 분리
• 쉬운 사용성 : 간단한 설정만으로 학습부터 평가까지 가능
• 자동화된 실험 : 하이퍼파라미터 튜닝 지원

보유 모델 종류

• General Recommendation - 일반적인 추천 모델
  BPR: 베이지안 개인화 랭킹
  NCF: 신경망 협업 필터링
  multivae : variable 오토인코더 기반

• Sequential Recommendation - 순차적인 추천 모델
  SASRec: Self-Attention 기반 순차 추천
  GRU4Rec: GRU 기반 순차 추천
  BERT4Rec: BERT 구조 활용 추천

• Context-aware Recommendation - context 고려한 모델
  FM: Factorization Machine
  DeepFM: Deep Factorization Machine
  xDeepFM: Extreme Deep Factorization Machine

• Knowledge-based Recommendation - 지식 기반
  KGAT: 지식 그래프 주의집중 네트워크
  KTUP: 지식 전이 및 사용자 선호도 학습

• exlib_recommender - 트리기반 (lightgbm, xgboost)

장단점

• 장점
  다양한 최신 모델 즉시 사용 가능
  통일된 인터페이스로 쉬운 실험
  자동화된 성능 평가 및 비교
  활발한 커뮤니티 지원

• 단점
  레포지토리가 여러 개로 분산되어 있음
  커스텀 모델 구현이 다소 복잡
  일부 모델의 구현이 원논문과 차이가 있을 수 있음

프로젝트 구조

1. 데이터셋 구성
   데이터는 RecBole/dataset/(dataset명) 경로에 다음과 같은 파일들로 구성

   .inter: 사용자-아이템 상호작용 데이터
   .user: 사용자 특성 데이터
   .item: 아이템 특성 데이터

2. 설정 파일 구조 예시

# config.yaml
data_path: 'dataset/'
dataset: 'ml-100k'
epochs: 300
learning_rate: 0.001
train_batch_size: 2048
eval_batch_size: 2048

3. 모델 구현 예시

import torch
import torch.nn as nn
from recbole.quick_start import run_recbole

# 기본 실행
parameter_dict = {
    'neg_sampling': None,
    'learning_rate': 0.001
}

# 모델 학습
run_recbole(model='BPR', dataset='ml-100k', config_dict=parameter_dict)

# 추론 실행
def inference():
    config, model, dataset = load_data_and_model('saved/model.pth')
    model.eval()
    with torch.no_grad():
        # 추론 로직 구현~
        predictions = model.predict(test_data)
    return predictions