neural network는 여러 분야에서 우수한 성능을 보였으나, 고정된 크기 또는 구조화된 입력을 받는다. 따라서 다양한 크기와 구조를 갖는 그래프는 neural network에 적용되기 어렵다.GNN은 그래프에서 feature를 추출하고 활용하기 때문에 요소들 간

혼자 공부하며 작성한 것입니다. 정정해야할 부분이 있다면 모두의 발전을 위해 알려주세요 :)논문 Neural Graph Collaborative Filtering - https://dl.acm.org/doi/pdf/10.1145/3331184.3331267많은

혼자 공부하며 작성한 것입니다. 정정해야할 부분이 있다면 모두의 발전을 위해 알려주세요 :)논문 Graph Convolutional Matrix Completion - https://arxiv.org/pdf/1706.02263.pdf전자상거래와 소셜미디어의 급

실제 추천 시스템 구축에서 고려해야할 주요 이슈로는 다음과 같은 것들이 있음1) 평가가 없는 신규 사용자와 신제품의 경우 어떻게 할 것인가?2) 대규모 사용자와 아이템을 대상으로 추천 알고리즘을 적용하기 위해, 확장성(scalability)은 어떻게 확보할 것인가?3)

지금까지 다룬 데이터는 MovieLens 100K로 약 900명의 사용자와 1600개의 영화에 대한 100,000개의 평점을 포함함. 하지만, 현실에 다뤄야하는 데이터는 이보다 훨씬 큼. 예를 들어 MovieLens 20M은 138,494명에 대한 131,263개의 영

추천 시스템은 다수의 추천 알고리즘을 결합하는 것이 더 정확하기 때문에 복수의 추천 알고리즘을 결합하여 사용하는 경우가 많음. 이를 하이브리드 추천 시스템이라 함하이브리드 추천 시스템에서 정확도는 복수의 알고리즘이 계산한 개별 사용자의 개별 아이템에 대한 예측치 하나하

논문 Neural network-based Collaborative Filtering(NCF) - https://arxiv.org/pdf/1708.05031.pdfCollaborative filtering으로 알려진, 개인화 추천 시스템의 핵심은 item에 대

다수의 은닉층을 가진 인공신경망을 적용하는 기법Deep Learning을 본격적으로 하기 전에, 은닉층이 없는 신경망 모형을 Keras로 구성해 보기로 함. 은닉층이 없는 신경망은 MF 알고리즘과 기본적으로 같은 모형이기에 Keras로 구현할 수 있음Matrix Fac

Python에는 Collaborative Filtering, Matrix Factorization 기반 추천 시스템을 사용할 수 있는 패키지 scikit의 Surprise가 존재. 데이터 MovieLens 100K : 영화 평가 데이터 10만개MovieLens 1M :

Matrix Factorization은 사용자의 취향과 아이템의 특성을 나타내는 특성값을 K개로 요약함. 실제로는, 예측에 도움을 줄 수 있는 다른 변수(나이, 성별, 출연배우, 장르, 감독 등)가 존재할 수 있음. 사용자와 아이템의 다양한 특성을 종합해서 모델화함으로

메모리 기반 : 추천을 위한 데이터를 모두 메모리에 가지고 있으면서, 추천이 필요할 때마다 데이터를 사용해 계산해서 추천. 개별 사용자의 데이터에 집중 ex) 협업 필터링장점 : 원래 데이터를 충분히 사용단점 : 대량의 데이터를 다뤄야하는 경우 계산 시간이 너무 오래

협업 필터링 앞 챕터에서 사용자 집단별(성별, 직업별) 추천이 생각만큼 정확한 결과를 내지 못함. 인구통계적 변수(성별, 직업)를 기준으로 나누지 않고, 어떤 아이템에 대해 비슷한 취향을 가진 사람들은 다른 아이템에 대해서도 비슷한 취향을 가지고 있을거라는 가정하에

18개의 장르 변수는 0 혹은 1로 표시됨.개별 사용자에 대한 정보가 없는 경우, 모든 사람들에게 가장 인기 있는 제품(best-seller)를 추천동일한 역할을 하는 간결한 코드RMSE 업로드중..

사용자의 과거 행동 데이터나 다른 데이터를 바탕으로 사용자에게 필요한 정보나 제품을 골라서 제시해주는 시스템. 각 사용자가 어떤 아이템을 좋아하는지 선호도를 정확하게 예측하는 것이 필수적평가 패턴이 비슷한 소비자를 한 집단으로 보고 그 집단에 속한 소비자들의 취향을 활

● SGD : keras.optimizer.SGD() \- learning_rate : (default=0.01) \- momentum : 0보다 큰 값으로 지정하면, 이전의 그레디언트를 가속도처럼 사용하는 모멘텀 최적화를 사용하게 됨(모멘텀 최적화는 보통 moment

선형 회귀(linear regression)sklearn.linear_model.LinearRegression()KNNsklearn.neighbors.KNeighborsRegressor(n_neighbors=5) \- n_neighbors : 이웃 개수 지정평균 절댓값

모델의 세부 정보는 .get_config()를 통해 확인할 수 있다.Dense 레이어는 Glorot Uniform 방법이 설정되어 있다. kernel_initializer 매개변수를 사용하여 변경할 수 있다.glorot_normal, glorot_uniformlecun

mnist는 손글씨 데이터셋으로 60,000개의 train data와 10,000개의 validation data로 구성된다. 하나의 이미지는 28 x 28 픽셀이다. 각 픽셀은 0~255 범위의 값으로 이루어져있기 때문에, 0~1 사이 값을 가지도록 정규화해야 한다.

: convolution과 pooling으로 feature extraction을 하는 neural network커널(혹은 필터)과 이미지의 convolution(합성곱)을 통해 feature를 만드는 과정.즉, 이미지의 픽셀 값을 input으로 커널을 가중치로 하여,