# NDCG

h4y3j1n

구현한 추천 모델 성능 평가 오늘은 추천 시스템 모델의 objective function과 밀접한 관계가 있는 point-wise와 pair-wise , list-wise에 대해 정리한다. 이들은 loss를 정의하는 방법들이다. 1. Point wise approaches Point-wise는 Loss function에서 한번에 하나의 아이템만 고려한다. 다시 말해, 한개의 입력 데이터에 대해 예측된 값과 정답값에 대한 차이만 계산하는 방법이다. MSE(Mean Square Error) loss가 대표적인 예라고 볼 수 있습니다. ALS 모델이 이런 방식으로 학습하며 loss를 줄인다. Query(=User)가 input으로 들어왔을 때, 이에 대응하는 하나의 Item만 가져와 Score(User, Item) 를 계산하고, 이를 Label score와 비교하고 측정된 Loss를 최소화시키는 방향으로 optimize하는 것이다. 이 방식을 아

hyxxnii

본 포스팅은 Fastcampus 강의를 수강하며 일부 내용을 정리한 글임을 밝힙니다. 보다 자세한 내용은 아래 강의를 통해 확인해주세요. 참고 : Fastcampus 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online NDCG(Normalized Discounted Cumulative Gain) 랭킹 추천에 많이 사용되는 평가 지표 기존 정보 검색(Information Retrieval)에서 많이 사용했던 지표 Ton-N 랭킹 리스트 만들고, 더 관심있거나 관련성 높은 아이템 포함 여부를 평가 ex) 검색창에 10개의 아이템이 떴고, 그중 1,3,5,7번의 4개가 관심있는 아이템이라고 생각되면 이를 가지고 랭킹이 제대로 매겨졌는지 평가 순위에 가중치를 주고, 단순한 랭킹이 아닌 데이터의 성향을 반영하기 위한 평가 지표 10개를 좋아할 것 같은데, 추천시스템이 그 중에서도 순서를 매겨주어 랭킹까지 정확히