https://yamalab.tistory.com/151

negative feedback을 필터링 하는 방법

콘텐츠와 아이템의 정보 (메타 데이터)는 알기 어렵다.유저가 하나하나 아이템에 대한 태그를 달지 않는한 아이템의 속성에 대해서 알기 어려움콘텐츠기반으로 아이템을 추천하고, 어느 정도 데이터가 모이면 사용자기반으로 추천 (여기 까진 하이브리드 추천시스템)이제 여기서 사용

positive feedback 과 negative feedback은 추천시스템의 가장 중요한 요소이다.추천 결과가 사용자에 맞게 잘 나왔는지 안나왔는지는 평가를 통해 알 수 있는 일이다.실시간 서비스를 운영하는 플랫폼에서는 실시간으로 추천되는 결과를 평가하기 위해,

https://www.digitaltoday.co.kr/news/articleView.html?idxno=478163웹페이지의 정보를 수집해서, chatgpt에 복잡한 쿼리를 대신 짜주는 ai

사람의 마음은 갈대라고 생각한다.원래 사고싶었던 것, 먹고 싶었던것을 계획하려하면 막상 선택의 기로에 있을 때는 다른 선택을 하기도 한다.그렇다 사람의 생각을 읽는 것은 어렵다자기가 자신의 생각을 읽는 것도 어려운데추천 모델은 얼마나 사용자의 생각을 읽는것에 더 어려움

실시간 gpu확인https://velog.io/@claude_ssim/NVIDIA-GPU-%EB%B3%B4%EB%8A%94%EB%B2%95nvidia-smihttps://eungbean.github.io/2018/08/23/gpu-monitoring

추천 시스템의 방법론MFDLRNNGNNAttentionhttps://www.kaggle.com/competitions/h-and-m-personalized-fashion-recommendationshttps://www.kaggle.com/competi

RecSys'22 온라인 소설에 대한 사용자 반복 소비 행동 모델링 https://dl.acm.org/doi/10.1145/3523227.3546762 해당 논문을 고른 이유 소설책 분야에서는 어떻게 추천시스템이 이루어지고 있는가? 기존의 소설책 분야에서의 추천시스템

adversarial attack strategy 모델이 잘못된 출력을 생성하도록 하기위해 의도적으로 입력을 변경하는데 사용되는 방법이다. 이러한 방법은 모델의 약점이나 훈련된 방식을 이용하도록 설계되었으며 모델의 견고성과 보안을 테스트하는데 사용될 수 있다. 몇가지

문서 수준의 신경망 기계번역은 보편적으로 몇개의 지역 문장들 이나 전체 문서를 인코딩 한다.그러므로, DocNMT는 문서 수준의 문맥적 정보의 관련성를 고려하지 않는다.예를 들어, 몇개의 context( content words, logical order, co-occ

사용자 - 아이템 조합에 대한 평가값을 예측특정 아이템에 대해 목표로 상위-k 사용자를 결정하거나,특정 사용자에 대한 상위-k 아이템을 추천 하는 것이다. \-> top-k 추천 문제라고 불린다.평점(정보)가 비어 있는 영역이 있는 행렬을 말한다.\--> 비어있는 평점

GNN은 3 가지 연산 과정을 거친다.인접 노드의 임베딩 벡터를 요약한다.a1 = aggregate(노드1, 노드2)\-> 노드1과 노드2의 정보를 요약하여 a1에 담음해당 본인 자신의 k가 1 인 첫 번째 노드에 해당되는 임베딩 벡터를 컴바인 한다.h1 = comb

🔥 결론 🤔 후기 Ref)