RecSys

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.Query 라는 Keyword로 검색하면 그 결과에 맞는 정보를 주는 것사용자가 정확한 의도를 가지고 검색하여 당겨오는 방식으로 pull 방식이라고도 한다.사용자의 흥미나 의도를 고려하여 정보를 추출해

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.추천 시스템 적용으로 인한 매출 , PV(page view) 증가추천 아이템으로 인한 유저의 CTR(노출 대비 클릭율) 상승연관성(Relevance) : 추천 아이템이 유저에게 관련 있는가? 40대 남

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.인기도 기반 추천은 추천시스템의 가장 단순한 형태머신 러닝을 이용한 것이 아니라 말 그대로 가장 인기있는 아이템을 추천 서비스 런칭 초반이라 데이터가 부족 하거나 추천 시스템 적용이 어려운 경우 활용됨

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.연관 규칙 분석(Association Rule Analysis)은 장바구니 분석 or 서열 분석이라고도 불린다.주어진 Transaction(거래;영수증) 데이터에 대해서 상품A 구매시 상품B가 같이 등

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.Content-based 는 TF-IDF를 활용해 Item Profile을 만든다.User와 Item 간의 유사도를 계산하여 Top-K 추천을 할 수 있다.새로운 아이템에 대해서는 유저가 선호한 아이템

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.CF는 직관적으로 이해하기 쉽지만 앞으로 배울 다양한 기법의 기초가 되는 중요한 개념이다. 협업 필터링(Collaborative Filtering, CF)이란 많은 유저들로 부터 얻은 기호 정보 를 이

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.Neighnorhood-based CF 이웃 기반 협업 필터링은 가장 초기 CF모델로 User-based CFItem-based CF두개가 있다.두 CF는 같은방식으로 추천을 하지만 User-Item

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.NBCF의 한계NBCF 는 아이템 i에 대한 평점을 예측하기 위해서는 $\\Omega\_{i}$에 속한 모든 유저와의 유사도를 구해야 한다.$\\Omega\_{i}$ : 아이템 $i$에 대한 평가를한

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.이 글에 다루는 Rating Prediction은 User-based CF를 기준으로 설명을 진행한다.Collaborative Filtering 의 최종목적은 평점을 예측하는 것이다. CF의 목적에서

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.앞서 배운 Neighborhood-based CF(UBCD, IBCF, KNN-CF) 는 두가지 큰 문제점이 있다.Sparsity(희소성)문제데이터가 불충분 하다면 추천 성능이 떨어진다 (유사도 계산이

SVD는 선형대수학에서 차원축소 기법으로 쓰이는 것으로 추천시스템에서는 Rating Matrix에 대해 유저와 아이템의 잠재요인을 포함할 수 있는 행렬로 분해한다.SVD 종류와 방법대표값을 모두 사용Full SVD : $R = U\\sum V^T$대표값으로 사용될 K개

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다. Word2Vec Item2Vec은 워드 임베딩의 대표적인 방법론은 Word2Vec의 아이디어를 차용한 것이다. 따라서 Word2Vec의 원리를 먼저 알아보자. Item2Vec

ANN의 필요성 Nearest Neighbor ANNOY 기타 ANN 기법 Hierarchical Navigable Small World Graphs (HNSW) Inverted File Index (IVF) Product Quantization - Compr

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다. Recsys에서 딥러닝을 활용하는 이유 추천시스템에서 딥러닝을 활용하는 이유를 알아보자. Nonlinear Transformation Deep Neural Network는 데이터의 비선형성을 효

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.AutoEncoder를 Collaborative Filtering 에 적용하여 기본 CF모델에 비해 Representation과 Complexity 측면에서 좋은 성능을 보인 논문이다. AutoRec은

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.Graph Neural Network 를 알아보기 전에 Graph란 무엇인지 간단하게 알아보자.Graph란 꼭지점(Node)들과 그 노드들을 잇는 변(Edge)들을 모아 구성한 자료구조로 연결되어 있는

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다. Neural Graph Collaborative Filtering 논문 링크

이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.이전까지 다뤄왔던 추천모델들은 유저의 Sequence를 고려하지 않은 모델들이었다.실제 상황에서 유저의 선호도는 고정되지 않고 시간에 따라 달라지게 된다. 즉 추천 모델에서 해결해야할 문제는 단순 선호

이 글에서는 컨텍스트 기반 추천(Context-aware Recommendation, CAR)이 앞에서 다룬 협업필터링과 어떻게 다른지 이해하고, 이것이 어떠한 양상으로 발전해 왔는지 알아보도록 하자.지난 글까지 우리가 추천에 사용한 데이터는 3가지이다.유저 id 정보

FM : Factorization Machines Factorization Machines 논문이 나올당시 많이 사용했던 SVM 과 MF 같은 Factorization 모델의 장점을 결합한 Factorization Machine을 처음 소개한 논문이다. 등장배경 딥러

현실의 CTR 데이터(주로 광고 데이터)는 기존의 선형 모델로 예측하는 데에는 한계가 있다.그 이유는 CTR 데이터는 Highly Sparse 하고 super high-dimensional features 로 이루어져있져 있고, 각 feature간의 관계가 highly

※ Bandit의 개념은 원래 강화학습의 기초개념이지만, 간단하게 구현되기 때문에 현업에서도 종종 쓰인다.MAB(Multi-Armed Bandit)가 추천시스템에 어떻게 적용되는지 알아보기 위해 우선 MAB가 무엇인지 알아보자.카지노에 있는 슬릇머신을 생각해 보자.슬릇

이번에는 이전글에서 다룬 Epsilon-Greedy나 UCB보다 발전된 기법으로 현업에서 자주 사용되는 MBA 알고리즘인 Thompson sampling과 LinUCB를 알아보자.Thompson Samping은 주어진 K개의 action에 해당하는 확률 분포를 구하는