Movie Recommendation 대회 프로젝트

https://github.com/boostcampaitech7/level2-recsys-movierecommendation-recsys-06-lv3

목차

1. 프로젝트 소개
2. EDA
3. Preprocessing
4. Modeling
5. 최종결과
6. 레퍼런스

1. 프로젝트 소개

• 프로젝트 기간 : 2024/11/13 ~ 2024/11/28

• 프로젝트 평가 기준 : 10개의 영화 추천에 대한 Recall@K

• 데이터 : MovieLens 데이터를 가공한 대회 제공 데이터(아래 설명 O)

• 프로젝트 개요

  upstage의 Movie Recommendation 대회 참가를 위한 프로젝트
  
  사용자의 영화 시청 이력 데이터를 바탕으로 사용자가 다음에 시청할 영화 및 좋아할 영화 10개 예측

팀 구성 및 역할

Boostcamp AI Tech 7th RecSys-06 .fillna Team

이름	역할
김건율	팀장, AutoEncoder 계열 모델링, 앙상블
백우성	ADMMSLIM, LightGCN, S3Rec, BERT4Rec 모델링 및 앙상블
유대선	Sequential 계열 모델링, 데이터 정제, Github 프로젝트 구조 설계
이제준	Static 계열 모델링, EDA, 데이터 정제, 피처 엔지니어링
김성윤	EDA & BPR, AutoInt, GRU4RecF 모델링
박승우	EDA & GRU4Rec, Notion 협업 환경 구축, Github 프로젝트 구조 설계

프로젝트 진행 과정

1. 프로젝트를 위한 기본 구조 설립 및 코드 작성. (유대선)
2. 각자 데이터 분석 후 토론을 통해 EDA 결과 공유
3. 파트별 역할 분담 진행
4. 추가적인 EDA 진행과 데이터 Preprocessing
5. 모델 실험 및 하이퍼파라미터 튜닝
6. 앙상블
7. 최종 제출 선택

협업 방식

• Slack : 팀 간 실시간 커뮤니케이션, [Github 연동] 이슈 공유, 허들에서 실시간 소통 진행
• Zoom : 정기적인 회의와 토론을 위해 사용
• GitHub : 버전 관리와 코드 협업을 위해 사용. 각 팀원은 기능 단위로 이슈를 생성해 이슈 별 브랜치를 만들어 작업하고, Pull Request를 통해 코드 리뷰 후 병합하는 방식으로 진행
• GitHub Projects + Google Calendar : 팀원 간 일정 공유

2. EDA

팀원 6인 모두 개별적으로 EDA 진행 후 모여서 결과 공유 및 토론

2.1 데이터셋 구성

MovieLens 데이터셋을 기반으로 하며, 총 7개의 주요 파일로 구성

파일명	행 수	주요 내용
train_ratings.csv	5,154,471	사용자 시청 이력 (user id, item id, timestamp)
titles.tsv	6,807	영화 제목 정보 (item id, title)
years.tsv	6,799	영화 개봉 연도 (item id, year)
directors.tsv	5,905	영화 감독 정보 (item id, directors)
writers.tsv	11,307	영화 작가 정보 (item id, writers)
genres.tsv	15,934	영화 장르 정보 (일부 아이템 다중 장르 포함)
Ml_item2attributes.json	-	아이템-속성 매핑 데이터

2.2 데이터 특징

2.2.1 상호작용 이력 데이터 (train_ratings.csv)

• Implicit feedback 기반 데이터
• 시간 순서가 있는 sequential data
• time은 Unix timestamp(초) 형식

2.2.2 메타데이터

• 영화별 다양한 부가 정보 제공
  • 제목, 개봉년도, 감독, 작가, 장르
• 장르는 다중 레이블 형태 (한 영화가 여러 장르 보유)
• directors와 writers는 고유 ID (nm**) 형식 사용

2.3. 테스트 데이터 특성

2.3.1 구성 비율

• Train : Public Test ≈ 100 : 1
• Public Test : Private Test = 1 : 1

2.3.2 주요 특징

• 동일한 사용자 구성 (train/public test/private test)
• 두 가지 예측 대상 포함:
  1. 시간순 다음 아이템 (Next item prediction)
  2. 랜덤 시점 관련 아이템 (Random timestamp item prediction)

2.4 데이터 관련 특이사항

2.4.1 기존 MovieLens와 차이

• Explicit feedback(1-5점 평점) 대신 Implicit feedback 사용
• Time-ordered sequence에서 일부 item이 누락
• Side information(메타데이터) 활용 가능
• 추천 문제에서 활용되는 User-Item-Interaction 중 User에 대한 정보 없음

2.4.2 도전 과제

• 사용자의 상호작용 아이템 중 누락된 아이템을 예측하는 Static Model
• 사용자의 마지막 상호작용 아이템을 예측하는 Sequential Model
• 누락된 데이터 처리 전략 수립 필요
• 다양한 메타 데이터의 효과적 활용 방안 모색

시간적 순서와 컨텐츠 기반 추천을 모두 고려해야 하는 복합적인 상황

데이터 자체가 Explicit feedback이 아닌 Implicit feedback으로,
아이템에 대한 유저의 단순 상호작용 여부 만을 파악해야하는 문제

2.5 기본 EDA

2.5.1 시간에 따른 유저의 아이템 평가

유저별 상호작용한 아이템의 개수 그래프

• 주어진 데이터셋에서 사용자별 상호작용한 아이템의 개수는 멱함수 분포와 유사하게 이루어짐
• 상위 10%의 유저는 335개 이상의 아이템을 평가(상위 20%: 230개, 30%: 176개)

335개 미만의 아이템을 평가한 유저

• 335개 이하의 아이템을 평가한 유저는 기본적으로 고르게 지수적으로 감소하는 추세를 보이나, 약 45개 미만의 아이템을 평가한 유저는 103명, 전체의 0.3%로 해당 개수 이하 현저히 감소함

랜덤한 유저 10명의 일별 리뷰 개수 분포

• 꾸준히 아이템을 평가한 유저도 있지만, 대부분은 단기간 집중적으로 로그가 쌓여있음

2.5.2 월별 아이템 평가 패턴

• 가장 리뷰 수가 많은 Top5 영화에 대해 2008년 10월에 리뷰 수가 급등

• 리뷰가 수집되기 시작한 2005년 4월 이후에 개봉한 영화에 대해서는 개봉 직후 리뷰 수가 늘었다가 이후 떨어지는 경향이 있음

2.6. 심화 EDA

2.6.1. Genre Co-occurrence Matrix

주요 출현 패턴 (Co-occurrence)

• Drama 중심 결합: Romance(792), Comedy(763), Thriller(702)
• Comedy-Romance 결합: 654회
• Documentary: 타 장르와 낮은 결합 빈도

2.6.2. Genre Correlation Matrix

핵심 상관관계 (Correlation)

• 강한 양의 상관: Animation-Children(0.84)
• 준-강한 상관: Crime-Thriller(0.51), Action-Adventure(0.49)
• 독립적 장르: Documentary(대부분 음의 상관)

요약

• 범용적 결합성을 가진 장르 (Drama)
• 강한 상호 연관성을 가진 장르 쌍 (Animation-Children, Crime-Thriller)
• 독립적 특성을 가진 장르 (Documentary, Western)

2.6.3. Genre Network

중심부 클러스터

• Drama-Comedy-Romance 삼각형이 네트워크의 핵심을 형성
  
  → 이 세 장르가 영화 산업에서 가장 기본적인 장르 조합임을 시사

2.6.4. Genre Popularity Trends

장기 트렌드 관점

• Drama의 지속적인 장르 지배력
• Comedy의 점진적 인기도 감소
• Action 장르의 꾸준한 성장

2.6.5. User Genre Preference Patterns

장르 클러스터링 (Dendrogram)

• 메인 클러스터
  • Drama, Romance가 가장 가까운 거리에서 클러스터링
  • Adventure, Action이 유사한 패턴을 보임
• 서브 클러스터
  • Animation, Children이 하나의 그룹 형성
  • Crime, Thriller가 유사한 패턴

사용자 선호도 패턴 (Heatmap)

• 강한 선호도 패턴
  • Drama에 대한 전반적으로 높은 선호도 (짙은 붉은색)
  • Action, Adventure 장르의 일관된 선호도
• 희박한 선호도 패턴
  • Documentary, Film-Noir, Western 등은 매우 낮은 선호도
  • Musical, War 장르도 상대적으로 낮은 선호도
• 사용자 세그먼트
  • Drama 선호 그룹
  • Action/Adventure 선호 그룹
  • Comedy/Romance 선호 그룹의 뚜렷한 구분

2.6.6. Genre Preference Evolution for “User 11”

특정 사용자(example_user_id 즉, 본 실험에서는 0번째 행에 위치한 user 11):

• 시간대별 장르 선호도 변화
• 각 행은 서로 다른 시간대를 나타냄
• 각 열은 영화 장르를 나타냄
  • 값은 해당 시간대에 시청한 전체 영화 중 각 장르가 차지하는 비율(%)

전반적인 트렌드:

• Action, Adventure는 전 기간에 걸쳐 꾸준히 높은 선호도 유지
• Sci-Fi는 Period 2-3에서 특히 높은 선호도를 보이다가 변동
• Drama는 시간이 갈수록 증가하는 경향
• Documentary, Musical, Western 등은 전체적으로 매우 낮은 선호도
• 장르 선호도가 시간에 따라 상당히 동적으로 변화하는 것이 특징

2.6.7 평가 패턴 및 장르 분포 분석

세션 및 평가 시간 분석 - 상단 그래프

세션 길이 분포 (Session Length Distribution)와 평가 시간 간격 (Rating Time Intervals)- 상단

• 대다수의 세션이 50개 이하의 평가로 구성되어 있고, 매우 짧은 세션(10개 미만)이 가장 높은 빈도를 보임 → 한번에 소수의 영화만을 평가하는 경향이 있음을 시사
• 대부분의 평가 간격은 매우 짧은 간격으로 이루어 짐 → 10^1~2초(약 10~100초)
• 일부 평가는 매우 긴 간격으로 이루어짐 → 10^6초 이상(약 28시간)

→ 이는 사용자들이 '벌크 평가'(한 번에 여러 영화 평가)와 '산발적 평가' 패턴을 모두 보이고 있음

장르 분포와 평가 분석 - 하단 그래프

벌크 평가의 장르 분포 (Genre Distribution in Bulk Ratings)

• Drama(17.5%), Comedy(12%), Action(10%) 순으로 높은 비중을 차지
• Documentary, Western, Film-Noir는 가장 낮은 비중(각각 1% 미만)
• 이는 일반적인 장르 선호도가 벌크 평가 행동에도 반영됨

전체 장르 분포 (Overall Genre Distribution)

• 벌크 평가의 분포와 유사한 패턴
• Drama가 약 22%로 가장 높은 비중을 차지하며, Comedy(15%), Thriller(9%) 순
• Western, Musical, Film-Noir 등 특수 장르는 전체 평가에서도 낮은 비중을 유지

2.8 사용자 데이터 평가 환경 확인

• 사용자와 상호작용된 아이템들 중 일부 아이템이 특정한 시기에 다수의 사용자에게 집중적으로 평가되는 경향이 있음을 확인

가정 : 유저가 아이템과 상호작용하는 방식의 차이로 이런 경향이 생기는 것은 아닐까?

MovieLens의 메인화면

• 데이터가 수집된 MovieLens의 UI는 섹션으로 구분되어 서로 다른 기준으로 다른 아이템들이 추천되고 있음
• 첫 메인 화면에 top picks와 recent release가 구성된다는 점에서 사용자의 평가는 상위 두 개 섹션에 집중되었을 가능성이 높을 것으로 추정됨
• 아이템별 사용자의 최초 리뷰를 기준으로 아이템의 개봉일을 대체

2.9 EDA 결론

2.9.1 주요 분석 결과

• 사용자 행동 패턴
  • 평가 횟수는 멱함수 분포를 따름
  • 상위 10% 사용자가 335개 이상의 영화 평가
  • 대부분의 사용자는 특정 시기에 집중적으로 평가하는 경향
  • 장르 선호도가 시간에 따라 동적으로 변화하는 트렌드를 포착
• 장르 분석
  • Drama가 가장 범용적인 장르로 확인
  • Animation-Children, Crime-Thriller 등 강한 상관관계 존재
  • Documentary, Western 등은 독립적 특성 보유
• 평가 환경 특성
  • MovieLens UI의 'top picks'와 'recent release' 섹션이 평가 패턴에 영향
  • 특정 시기에 다수의 사용자가 동일 영화 평가하는 현상 발견

2.9.2 시사점

• 모델링 전략
  • 시간적 순서와 컨텐츠 기반 추천을 동시 고려 필요
  • Static/Sequential 모델 각각의 장점 활용 중요
  • 메타데이터를 효과적으로 활용하는 방안 모색 필요
• 데이터 특성 고려사항
  • Implicit feedback 특성 반영
  • 누락된 데이터 처리 전략 수립 (directors, writers)
  • 사용자 평가 패턴의 시간적 특성 고려

3. Preprocessing

3.1 결측치 처리

• 전체 아이템 6807개에 대해 year 데이터에 8개의 결측치 존재
• 결측치에 대해 titles 데이터에서 연도 추출

3.2 아이템별 genre 멀티 레이블 인코딩

• genre 데이터에는 모든 아이템에 대한 장르가 최소 1개씩 존재
• 다수의 장르값을 가진 아이템에 대해서는 sklearn의 MultiLabelBinarizer를 이용해 멀티 레이블 인코딩 수행하여 모델 학습

3.3 directors, writers 마스킹 파악 및 전처리

• 마스킹된 directors, writers의 값은 동일 인물에 대해 같은 마스킹 값으로 부여되어 있음

item           0
title          0
director    1304
writer      1159
dtype: int64

• 아이템에 따라 director, writer에 결측치 존재 확인
• 해당 결측값 대체 불가능함에 따라 -999로 대체(해당 값은 모델별로 마이너스값 처리 불가능한 경우 0으로 대체)

3.4 recent_release 피처 추가

• 유저의 평가 데이터가 수집되는 환경에 맞춰 노출된 영화가 recent release에서 노출된 것인지를 유추하는 피처 생성
• 아이템별 첫 번째 리뷰를 아이템의 개봉일로 가정하고 유저와 아이템의 상호작용 time과 90일 이내일 경우 recent_release를 1로 주는 바이너리 피처

4. Modeling

Team : Static Model / Sequential Model
팀별 역할군 : EDA, Feature Engineering(after Modeling), Modeling

• 작업 초기, BaseLine과 과제 코드를 기반으로 실험 후 직접 코드를 짜서 모델 구현 시도
• 그러나 직접 구현 시 Side Information을 포함한 데이터 셋 정제 문제, 학습 후 추론 관련 차원 문제로 인해 소요되는 시간이 길어짐
• 이에 따라 RecBole 라이브러리를 사용해 아래의 모델을 사용하는 방향으로 전환

4.1 Static Models

• MultiVAE: Multinomial Cariational Autoencoder for CF with Implicit Feedback
• RecVAE : Variational Autoencoder Model + composite prior distribution + alternating update
• RaCT : Actor-Critic Pre-training with Autoencoder
• EASE : Embarrassingly Shallow Autoencoders for sparse data (Linear Model)
• LightGCN : simplified GCN Model
• FM : Factorization Machines
• DeepFM : FM + Neural Networks
• BPR : Bayesian Personalized Ranking
• ADMMSLIM : efficient Optimization approach for Sparse Linear Methods using ADMM
• AutoInt : Attention-based model that automatically learns high-order feature interactions

4.2 Sequential Models

• SASRec : Self-Attention-Sequential Recommendation
• SASRecF : SASRec + Side Information
• S3Rec : Self-Supervised Learning for Sequential Recommendation
• BERT4Rec : Bidirectional Encoder Representations from Transformer
• GRU4RecF : Session based recommendations with recurrent neural network

모델명	valid score	public score	특이사항
RecVae	x	0.1380	hidden_dimension: 600 / latent_dimension: 200
RaCT	0.1433	0.1265	side information 반영
MultiVAE	0.1443	0.1278	learning_rate: 0.001, train_batch_size: 256,embedding_size: 64
GRU4Rec	0.0776	x	embedding & hidden_size: 64, num_layers: 1, dropout_prob: 0.1
BERT4Rec	0.1299	0.0937	RecBole 기본 세팅
LightGCN	0.1383	x	train-valid-test (1.0:0.0:0.0)
DeepFM	x	0.0310	상호작용된 아이템이 추천되어 보수 작업 진행 중 제외
FM	0.1269	0.0075	상호작용된 아이템이 추천되어 보수 작업 진행 중 제외
SASRecF	0.058	x	Genres One-HotCoding & Neg-Sample dist(popularity)
BPR	0.1229	0.1068	RecBole 기본 세팅
ADMMSLIM	x	0.1577	train-valid-test (1.0:0.0:0.0)
EASE	x	0.1594	train-valid-test (1.0:0.0:0.0)
GRU4RecF	0.1666	0.1011	embedding_size: 64, hidden_size: 128, interaction + genre, title
AutoInt	0.1246	x	interaction + genre, title, director, writer
SASRecF	0.0952	x	Genres One-HotCoding, negative-sampling-number : 5
S3Rec	x	0.0876	title, year, genre, director, writer

4.3 Ensemble

EASE(E), RecVAE(R), BERT4Rec(B), LightGCN(L), ADMMSLIM(S), Autoint(A), BPR(P), GRU4Rec(G)

실험 했던 모델 중 앙상블은 위의 모델 사용. (괄호 안은 약자)

각 모델에서 유저 한 명 당 영화 Top 20을 뽑아서 Voting하는 방식으로 앙상블 진행

• Hard Voting은 1위는 1점, 20위는 0.05점 식으로 순위 별 차등 포인트를 줘서 합산하는 방식

• Soft Voting은 각 모델에서 랭킹을 뽑는 데 사용한 score를 표준화해서 합산하는 방식

• 앙상블 실험 결과(주요 실험 일부만 정리)

사용한 모델	방식	public score	private score
ERBLSAP	Hard Voting	0.1585	0.1567
ES	Soft Voting	0.1584	0.1578
ESG	Soft Voting	0.1647	0.1544
ESGB	Soft Voting	0.1628	0.1509
ESG	Hard Voting	0.1698	0.1654
ESGR	Hard Voting	0.1710	0.1679
ESGRABPL	Hard Voting(A4BL은 포인트 50% 적용)	0.1649	0.1623
ESGR	Hard Voting(1~10위는 1점, 11~20위는 0.5점)	0.1675	0.1654
ESGR3	Hard Voting	0.1703	0.1671

5. 최종 결과

• Public Score가 가장 높았던 EASE + ADMMSLIM + GRU4Rec + RecVAE 모델을 하드 보팅한 방식과 S3Rec까지 포함한 방식 2가지를 제출
• ESGR Hard Voting : Public Score Recall@10 = 0.1710 / Private Score = 0.1679
• ESGR3 Hard Voting : Public Score Recall@10 = 0.1703 / Private Score = 0.1671
• Private Score 1위 / Public Score 2위
• Sequential 계열 모델의 경우 개별 public 스코어는 낮았으나, 점수가 높았던 AutoEncoder 모델의 결과와 앙상블한 결과의 점수가 가장 높음
  • 주어진 문제 자체가 static과 sequential의 두 가지 접근을 요하는 문제이다보니, 정답에서 상대적으로 개수가 적은 sequential 모델의 독자적인 성능이 떨어질 수 없었을 것이라 추정

6. 레퍼런스

• RecBole Library : https://github.com/RUCAIBox/RecBole
• MultiVAE : https://github.com/younggyoseo/vae-cf-pytorch