ＴＦＲＳ　입력，출력，라벨　구조　

1. 입력 데이터 구조

• 각 행(row)은 (user_id, movie_title) 쌍으로 구성됩니다.
  예: [user_123, "인셉션"] → 사용자 123이 "인셉션"을 시청했다는 기록.

2. 라벨 생성 방식

• Positive Label:
  데이터셋에 명시된 (user_id, movie_title) 쌍은 자동으로 positive로 간주됩니다.
  → "사용자가 이 영화를 좋아한다"고 가정합니다.
• Negative Label:
  같은 배치(batch) 내 다른 영화들은 암시적 negative로 처리됩니다.
  → "사용자가 이 영화를 시청하지 않았다"고 추정합니다.

---

3. 실제 동작 예시

배치 데이터 예시

batch = [
    {"user_id": "user_A", "movie_title": "인셉션"},  # Positive
    {"user_id": "user_B", "movie_title": "테넷"},    # Positive
    {"user_id": "user_C", "movie_title": "다크나이트"} # Positive
]

학습 시 Negative 샘플링

• user_A의 관점:
  • Positive: "인셉션"
  • Negatives: "테넷", "다크나이트" (배치 내 다른 영화)
• user_B의 관점:
  • Positive: "테넷"
  • Negatives: "인셉션", "다크나이트"

---

4. 손실 계산 로직

• 목표: 사용자 임베딩과 positive 영화의 유사도는 높이고, negative 영화와의 유사도는 낮춥니다.
• 수식 (간략화):

  loss = -log(σ(positive_similarity)) - Σ log(1 - σ(negative_similarity))

  • σ: 시그모이드 함수 (유사도를 확률로 변환)

---

5. 주의점

• 암시적 부정 샘플의 한계:
  사용자가 실제로 좋아할 수 있지만 아직 시청하지 않은 영화가 negative로 잘못 처리될 수 있습니다.
  → 모델은 "시청한 것 vs. 시청하지 않은 것"을 구분하도록 학습되지만, 완벽하지는 않습니다.
• 해결 방안:
  • 명시적 negative 데이터가 있다면 별도로 추가합니다.
  • 하이퍼파라미터 조정: 배치 크기, negative 샘플 수 등을 실험적으로 최적화합니다.

---

6. 코드 수준의 동작

• TFRS의 Retrieval Task:

  task = tfrs.tasks.Retrieval(
      metrics=...,
      # 배치 내 자동 negative 샘플링 (기본 동작)
  )

• 직접 구현한 모델(NoBaseClassMovielensModel):

  def train_step(self, features):
      # 배치 내 모든 영화가 자동으로 negative 후보로 사용됨
      positive_movie = self.movie_model(features["movie_title"])
      # loss 계산 시 다른 영화들과의 유사도 비교
      loss = self.task(user_embedding, positive_movie)