# Recommender System

[Paper Review] Neural Collaborative Filtering 논문 리뷰
neural networks에 기반을 두고 recommendation의 주요 문제(collaborative filtering의 implicit feedback)를 다룰 예정이다. 최근 연구들에도 Deep Learning을 추천 시스템에 적용한 사례가 있었지만 기본적으로

[Recommender System] Contents Based Filtering : 콘텐츠 기반 필터링 _ 영화데이터로 추천시스템 실습
Kaggle의 Movie Data를 활용하여 Contents Based Filtering을 활용한 추천 시스템을 구현한다. 데이터 EDA부터 유사도 함수를 통한 추천 항목까지.

[Recommender System] Contents Based Filtering : 콘텐츠 기반 필터링 _ 유사도함수와 TF - IDF
Contents Based Filtering, 콘텐츠 기반 필터링에서의 계산 방식인 유사도 함수와 TF-IDF에 대해 알아본다.

[Recommender System] 추천시스템 Intro
넷플릭스, 유튜브 등 이제는 우리의 일상 속에 자연스럽게 스며든 추천시스템의 개요에 대해 알아보도록 한다. 추천 시스템이 무엇인지부터 알고리즘의 종류까지. (Collaborative Filtering, Contents Based Filtering)

[Paper Review] Deep Neural Networks for YouTube Recommendations
유튜브는 전세계에서 가장 큰 동영상 플랫폼 기업으로, 끊임없이 늘어나는 비디오 콘텐츠로부터 십억 명 이상의 유저들에게 개인화된 추천을 제공한다. 이 과정에서 풀어야 할 3개의 숙제는 다음과 같다. * Scale: 대부분의 추천 알고리즘은 작은 데이터셋에서는 잘

Recommender System with Deep Learning (1)
1. Deep Learning 2. 다층 퍼셉트론 (multi-layer perceptron), MLP 1. Deep Learning 딥러닝의 장점 Nonlinear Transform : 데이터가 가진 비선형의 특징을 효과적으로 나타내고 모델링할 수 있다. -

Recommender system (5)
(1) 개요(2) 학습 방법(1) 개요(2) 학습 과정(1) 개요임베딩 (Embedding) : 주어진 데이터를 그보다 낮은 차원의 벡터로 만들어 표현하는 방법Sparse Representation : 아이템의 전체 수와 차원의 수가 같음, one-hot encodin

Recommender System (4)
모델 기반 협업 필터링 (Model Based Collaborative Filtering, MBCF) : 단순히 항목간의 유사성만을 비교하는 것이 아닌 데이터에 내재한 패턴을 이용해 추천하는 CF 기법 \-> 데이터에 숨겨져 있는 유저-아이템 관계의 잠재적 패턴을 찾아
Recommender System (3)
협업 필터링 (Collaborative Filtering, CF) : 많은 유저들로부터 얻은 아이템의 기호 정보를 이용해 유저의 관심사를 예측하는 방법, 아이템이 가진 성능은 활용하지 않는다.NEighborhood-based Collaborative Filtering
Recommender System (2)
유저가 상품을 구매하는 하나의 연속된 거래 안에서 그 아이템 사이의 규칙을 찾기 위한 분석연관 규칙규칙 : IF(condition) THEN(result), {condition} -> {result}연관 규칙 : IF(antecedent) THEN(consequent)
Recommender System (1)
1) 개요 2) 사용 데이터 3) 목적 1)개요 2)Offline Test 3)Online Test유저의 아이템 소비 방식\-> 검색 : 키워드 (query) 사용, 이렇게 아이템을 소비하는 방식을 pool 방식이라고 한다. 반대로 추천하는 방식은 'push' 라

Negative Interactions for Improved Collaborative Filtering: Don’t go Deeper, go Higher
Negative Interactions for Improved Collaborative Filtering: Don’t go Deeper, go Higher 논문 리뷰, 코드 리뷰

[Paper Review] Session-based Recommendation with Graph Neural Networks
인터넷 상의 정보량이 매우 빠른 속도로 증가하는 오늘날, 추천시스템은 유저가 흥미를 느낄만한 정보를 획득하는 데에 도움을 준다. 전통적인 추천시스템은 유저의 정보와 과거 활동들이 꾸준히 기록된다는 가정 하에 작동한다. 하지만 대부분의 서비스에서 유저의 신원은 불분명

[Paper Review] Self-Attentive Sequential Recommendation
Sequential recommender system의 목표는 유저 데이터로 학습된 모델을 유저의 최근 action에 기반한 context와 결합하는 것이다. 다만 유저의 action을 얼마나 오래 전부터 살펴볼 것인지에 따라 input 데이터 차원이 기하급수적으로 커

[Paper Review] Training Deep AutoEncoders for Collaborative Filtering
추천시스템은 크게 두 종류로 나눌 수 있다. 첫 번째는 context-based recommendations로, 위치, 날짜, 시간 등의 contextual factor를 고려하는 방법이다. 다른 하나는 personalized recommendations인데, coll

[Paper Review] AutoRec: Autoencoders Meet Collaborative Filtering
Collaborative Filtering(CF) 모델들은 아이템에 대한 유저의 선호도를 뽑아내 개인화된 추천을 제공하는 것을 목표로 한다. Netflix challenge를 통해 여러 종류의 CF 모델들이 제안되었고, 그 중 matrix factorization과 n

[Paper Review] DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
click-through-rate(CTR) 예측은 유저가 추천된 아이템을 클릭할 확률을 추정하는 task로, 추천시스템의 주요 과제 중 하나이다. 클릭 수를 높여 더 많은 수익을 내는 것은 많은 추천시스템의 목표라고 할 수 있다. CTR 예측을 위해서는 유저의 클릭

[Paper Review] Wide & Deep Learning for Recommender Systems
추천시스템의 주요 과제 중 하나는 memorization과 generalization 측면에서 동시에 좋은 성능을 내는 것이다. 여기서 memorization이란, 자주 함께 등장하는 아이템 쌍 혹은 feature 조합을 학습하는 것을 말한다. 그리고

[Paper Review] Factorization Machines
Support Vector Machine(SVM)은 머신러닝과 데이터마이닝 분야에서 가장 인기있는 모델 중 하나이다. 그럼에도 불구하고 collaborative filtering에서는 SVM보다 standard matrix/tensor factorization mode

[Paper Review] Neural Collaborative Filtering
추천 시스템은 이커머스, 온라인 뉴스나 소셜 미디어 사이트 등 많은 양의 정보가 있는 산업에서 필요한 정보만을 추출해주는 데에 중추적인 역할을 수행하고 있다. 대표적인 추천 시스템으로 유저와 아이템 간의 과거 상호작용을 토대로 개인화된 추천을 해주는 collaborat