Graph 이론

그래프(Graph)는 정점 집합과 간선 집합으로 이루워진 수학적 구조간선은 두 개의 정점을 연결하고 모든 정점이 간선으로 직접적으로 연결되어 있지 않을 수 있다.그래프는 네트워크(Network)로도 불리운다.정점(Vertex)은 노드(Node), 간선은 엣지(Edge)

웹은 웹페이지와 하이퍼링크로 구성된 거대한 방향성이 있는 그래프✔️ 웹페이지 : 정점✔️ 웹페이지의 하이퍼링크 : 간선❗️ 웹페이지는 추가적으로 키워드 정보를 포함하고 있음첫번째 시도 : 웹을 거대한 디렉토리로 정리하는 것✔️ 카테고리의 수와 깊이가 무한정 커지는 문제

기술의 발달로 인하여 다양한 전파가 빠르게 이뤄지는 세상이 되어가고 있고이러한 전파 과정은 다양하고 매우 복잡하게 이뤄져 있다, 이를 체께적으로 이해하고 대처하기 위해서 다양한 수학적 모형화가 나왔고 그 중 기초적인 두 종류인 의사결정 기반의 전파 모형과 확률적 전파

군집이란?다음을 만족하는 정점들의 집합이다.✔️ 집합에 속하는 정점 사이에는 많은 간선이 존재✔️ 집합에 속하는 정점과 그렇지 않은 정점 사이에는 적은 수의 간선이 존재출처: Naver BoostCamp AI Tech - edwith 강의군집 탐색 문제란?그래프를 여러

내용 기반 추천시스템의 원리✔️ 각 사용자가 구매/만족했던 상품과 유사한 것을 추천하는 방법(동일한 장르의 영화 추천, 같은 학교 동기들을 친구로 추천하는 것 등...)✔️ 시스템의 4가지 단계출처: Naver BoostCamp AI Tech - edwith 강의1️⃣

✔️ 정점 표현 학습이란 그래프의 정점들을 벡터의 형태로 표현하는 것이다.✔️ 정점 표현 학습은 간단하게 정점 임베딩(Node Embedding)이라고도 부른다.✔️ 정점 임베딩은 벡터 형태의 표현 그 자체를 의미하기도 하며 정점이 표현되는 벡터 공간을 임베딩 공간이라

이번 포스팅에서는 넷플릭스 첼린지에서 성능향상에 핵심적인 역활을 한 기본 잠재 모형과 고급 잠재 모형에 대한 내용을 정리해 보았습니다. 현재까지도 이 모형들은 성능을 인정받아 추천시스템에서 널리 사용되어지고 있습니다.추천시스템 기본내용 링크 https://ve

그래프 신경망 기본 그래프 신경망의 특징 ✔️ 변환식(Transdctive) 방법(학습의 결과로 정점의 임베딩 자체를 얻음)이 아닌 정점을 임베딩으로 변화시키는 함수, 즉 인코더를 얻는 귀납식(Inductive)방법이다. ✔️ 그래프의 신경망은 그래프와 정점의 속성

그래프 신경망에서의 어텐션 기본 그래프 신경망의 한계 ✔️ 기본 그래프 신경망에서는 이웃들의 정보를 동일한 가중치의 평균으로 계산을 함 그래프 합성곱 신경망에서도 단순히 연결성을 고려한 가중치로 평균 계산 ❗️ 현실에서는 이웃들이랑 모두 대등하게 연결되어 있지는 않음