Recommend System
1.Implicit Feedback(암묵적 피드백)
📘 Implicit Feedback(암묵적 피드백)란?사용자가 직접 표현하지 않았지만, 행동을 통해 드러나는 선호도나 의도를 추론하는 방식을 말합니다.즉,“좋아요!”, “별점 5점!”처럼 명시적으로 표현하는 피드백(explicit feedback)이 아니라,사용자의
2.추천 시스템 평가 지표 설명 보고서
추천 시스템 평가 지표 설명 보고서추천 시스템의 성능 평가는 다양한 관점에서 이루어집니다. 여기서는 정확성(Accuracy)부터 Novelty(새로움), Serendipity(참신함)까지 주요 지표 각각을 정의하고, 수식과 함께 사용 예시 및 다른 지표와의 차이점ㆍ보완
3.메모리 기반 협업 필터링의 원리와 응용
메모리 기반 협업 필터링은 추천 시스템 분야에서 사용자들의 상호작용 정보를 바탕으로 실시간 또는 준실시간으로 개인 맞춤형 추천을 제공하는 대표적인 기법이다. 이 장문의 글에서는 해당 알고리즘의 작동 구조, 수식, 실제 응용 상황, 그리고 한계와 현대적 대안을 실제 예시
4.Implicit Feedback 종합 리서치 리포트
Implicit feedback은 사용자의 선호도가 명시적으로 제공되는 것이 아니라 사용자와 아이템의 상호작용을 통해 추론되는 데이터를 의미합니다. 클릭, 페이지 조회, 구매 이력, 콘텐츠 시청 시간과 같은 행동들이 대표적인 implicit feedback이며, 이는
5.유사도 함수(Similarity Function)
유사도 함수는 두 개 이상의 데이터 객체(벡터, 사용자, 아이템 등) 간의 유사성 정도를 수치로 측정하는 수학적 함수입니다. 유사도 측정은 데이터셋 내 데이터 객체들 간의 거리를 특징 차원에 기반하여 계산하며, 거리가 작을수록 유사도가 높고, 거리가 클수록 유사도가 낮
6.Memory-based CF 추천 시스템 설계
이미지의 Memory-based Collaborative Filtering 시스템을 단계별로 설명하겠습니다.원본 데이터: USER_ID, ITEM_ID, RATING, TIMESTAMP 형태의 로그 데이터변환 목표: 사용자-아이템 평점 행렬 R 생성핵심: 점(.)은 평
7.Bayesian Personalized Ranking(BPR)
들어가며추천 시스템은 사용자가 무엇을 “좋아할지” 예측하는 기술입니다. 특히 전자상거래, 음악 스트리밍, 영상 플랫폼처럼 implicit feedback(암묵적 피드백)이 중심이 되는 서비스에서는 사용자가 클릭·구매·시청한 기록만 주어지고, 명시적으로 1~5점 같은 평
8.딥러닝 추천 모델 심층 분석
딥러닝 기반 추천 시스템은 현대 인터넷 서비스의 핵심 기술로 자리잡았습니다. 각 모델의 작동 원리와 실제 적용 사례를 구체적인 예제와 함께 살펴보겠습니다.전통적인 Matrix Factorization(MF)은 사용자와 아이템을 저차원 벡터로 표현하고, 이들의 내적(in
9.ALS(Alternating Least Squares) 기반 추천 모델 코드
추천 시스템에서 ALS(Alternating Least Squares) 기반 추천 모델 코드의 기본 흐름은 비교적 정형화사용자의 과거 행동(평점, 클릭, 구매 등)을 바탕으로유저–아이템 행렬을 저차원 잠재요인(latent factors)으로 분해이를 식으로 쓰면:R \
10.SASRec vs ALS : 추천 시스템 비교 분석
SASRec은 Transformer의 self-attention 메커니즘을 추천 시스템에 도입한 순차적 추천 모델로, 사용자의 과거 행동 이력에서 각 시점마다 관련성 있는 아이템을 식별하여 다음 아이템을 예측합니다. 이 모델은 RNN처럼 장기 의존성을 포착하면서도, M
11.LLM for RecSys
한글로 리서치 트렌드를 정리하겠습니다. 이전 답변을 한글로 작성하겠습니다.대규모 언어 모델(LLM)과 추천 시스템(RecSys)의 교집합은 AI에서 가장 역동적인 연구 분야 중 하나입니다. 2025년 기준으로 RecSys 커뮤니티는 LLM과 전통적인 추천 시스템이 점점
12.NDCG (Normalized Discounted Cumulative Gain) 완전 정복
NDCG는 검색 결과나 추천 시스템의 품질을 측정하는 지표입니다. 핵심은 두 가지입니다:1\. 관련성 높은 아이템이 상위에 노출될수록 좋다2\. 순위가 낮아질수록 가치가 할인(discount)된다사용자가 액션 영화를 좋아한다고 가정하고, 시스템이 5개 영화를 추천했습니
13.Content-Aware Recommender Systems (CARS)
대학원 추천시스템 특론 | 60분 강의Content-Aware Recommender Systems의 핵심 개념과 필요성 이해전통적 추천시스템의 한계점과 CARS의 해결 방안 파악CARS의 주요 아키텍처와 실무 적용 사례 학습최신 딥러닝 기반 CARS 기법 이해기본적인
14.CARS 실제 사례 및 효용성 검증 리서치 (2024-2025)
최근 1년 간의 트렌드는 단순한 '콘텐츠 기반 필터링'을 넘어, 사용자 상황(Context)과 멀티모달(텍스트, 이미지, 로그) 콘텐츠를 결합하여 비즈니스 성과(KPI)를 직접적으로 개선하는 방향으로 검증되고 있습니다.사례명: CACRE (Context-Aware Co