CF

CF기반 영화 평점 예측

• 
• CBF와는 달리 유저가 아이템을 어떻게 평가했는지의 메트릭스로만 예측
• 주어진 메트릭스의 빈칸을 찾아 나가는것

Item-Based Collaborative Filtering

• 가정: 유사한 아이템에 내가 부여한 평점과 비슷한 평점을 부여

CBF와의 차이

• CBF
  • 아이템간의 유사도를 아이템속성(메타 데이터)을 이용하여 계산
    • step1: TF-IDF를 이용하여 아이템을 vector로 표현
    • step2: 아이템간의 유사도를 sim로 계산
• CF
  • 아이템간의 유사도를 사용자의 아이템 평가 이력을 이용하여 계산
    • step1: 평점 데이터를 이용하여 아이템 vector로 표현
    • step2: 아이템간의 유사도를 sim로 계산

Item Vector

• 
• 비교적 sparse한 vector 이다.

Item-Item Cosine Similarity

• 
• Null value handling
  • 두 vector에서 모두 null이 아닌 row만 사용
• 
  • 

User-based CF

• 나와 유사한 사용자들의 해당 아이템 평점과 비슷하게 부여
• 
• 사용자간의 유사도를 사용자의 아이템평가 이력을 이용하여 계산
  • step1: 평점 데이터를 이용하여 사용자를 vector로 표현
  • step2: 사용자간의 유사도를 sim로 계산

User Vector

• 
• Sparse vector

Rating Prediction using User Similarity

item-based vs user-based

• item-based
  • 장점: 아이템간의 유사도는 충분한 데이터가 축적된 이후 많이 바뀌지 않는다 -> batch주기를 길게 설정 할 수 있다
  • 단점: 일반적으로 더 낮은 정확도
• user-based
  • 장점: 일반적으로 더 높은 정확도
  • 단점: 일반적으로 사용자수가 아이템수보다 많고 자주 바뀜

고려사항

• Similarity 신뢰도
  • 데이터가 적은경우 유사도에 대한 신뢰도가 떨어진다
    • 평가 이력이 적은 아이템 혹은 사용자
• 
  • 아이템 1과 2를 동시에 평가한 사용자가 1명인 경우
• 
  • 아이템 1과 2를 동시에 평가한 사용자가 2명인경우
• 해결
  • 평가 이력수가 적은 경우 유사도 계산을 하지 않는다
  • Smoothing
    • ex) 이력수가 k개보다 작은경우 sim/k값으로 보정

Rating Prediction

• 모든 아이템/사용자 가 아니라 다음과 같이 한정하기도 한다
  • 가장 유사한 Top-k아이템/사용자
  • 유사도가 threshold이상인 아이템/사용자
  • Sim matrix storage cost가 낮아진다