인공지능 (22) 썸네일형 리스트형 [CB Filtering] 1. 개요 Content based Filtering은 팀블로그에서 참고했다. Content based Filtering [CB Filtering] 1. 개요 Content-based Filtering vs Collaborative Filtering Content-based Filtering - 유저가 과거에 좋아했던 것과 컨텐츠가 유사한 아이템 추천 Collaborative Filtering - Rating을 기반으로 유저와 비슷한 성향을.. data-matzip.tistory.com Content based는 CF와 다르게, user의 rating을 기반으로 추천하는 것이 아닌, content 기반으로 추천하는 것이다. 예를 들어, 영화의 카테고리, 속도감, 화면이 전환되는 속도 등.. 영화의 특성을 묶어 추천.. Collaborative Filtering(CF: 협업필터링)2: 계산 Collaborative Filterting1: 개요 Collaborative Filtering(CF: 협업필터링)1: 개요 CF에 관한 내용들이 많아서 1과 2로 나눠서 게시했다. 1은 CF의 특징, 개념에 관한 내용이고, 2는 CF를 어떻게 계산하는지에 대한 직접적인 유도를 하는 내용이다. 관련한 모델 또한 추가로 정리했다. Collaborati.. ekdud7667.tistory.com CF의 특징 개념에 대한 설명의 위의 링크에 게시했으니 참조하길 바랍니다. 그럼 이제 item based와 user based를 사용할 때 어떻게 rating을 계산하는지에 대해 알아보자. 구현 절차 CF를 만들기 위해서는 여러 가지 절차를 거쳐야 한다. 1. rating matrix 정리: item based(it.. Collaborative Filtering(CF: 협업필터링)1: 개요 CF에 관한 내용들이 많아서 1과 2로 나눠서 게시했다. 1은 CF의 특징, 개념에 관한 내용이고, 2는 CF를 어떻게 계산하는지에 대한 직접적인 유도를 하는 내용이다. 관련한 모델 또한 추가로 정리했다. https://ekdud7667.tistory.com/10 Collaborative Filtering(CF: 협업필터링)2: 계산 Collaborative Filterting1: 개요 Collaborative Filtering(CF: 협업필터링)1: 개요 CF에 관한 내용들이 많아서 1과 2로 나눠서 게시했다. 1은 CF의 특징, 개념에 관한 내용이고, 2는 CF를 어떻게 계산하는지에 대.. ekdud7667.tistory.com Matrix Factorization(MF, 행렬분해) [CF] MF(M.. [MF] MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS 논문: MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS 위의 논문을 공부한 후, 코딩으로 구현하였다. 논문 MF는 implicit feedback, temporal effects, confidence levels을 추가적으로 적용시켜 classic nearest-neighbor 알고리즘보다 더욱 우수하다. 각각에 대해서 어떻게 적용시켰는지 살펴보자 RECOMMENDER SYSTEM STRATEGIES 추천 시스템에 대한 대략적인 내용이 들어가 있다. 1. Content Filtering 이 방법은 각 user 또는 item의 특성으로 profile을 만든다. 예를 들어, 영화의 장르, 배우등으로 profile을 만들어서 비슷한 특성을 가지는 item끼리.. BPR-MF(Bayesian Personalized Ranking MF) 추천시스템의 CF에서 BPR을 적용한 MF기법이 있다. 추천시스템에서 오래전부터 많이 사용해오던 MF지만, BPR-MF는 다소 생소해 정리를 해봤다. 아래의 논문과 블로그를 참고했다. 논문: Modified Bayesian personalized ranking for non-binary implicit feedback 블로그: http://sanghyukchun.github.io/95/ https://itkmj.blogspot.com/2019/08/bpr-bayesian-personalized-ranking-from.html BPR은 상품간의 선호도를 확률 모형화를 한 모델이다. BPR은 개인이 선호하는 상품을 단계별로 카테고리화하여 분석을 진행한다(Positive items: 긍정적 상품/ Negati.. [CF] MF(Matrix Factorization, 행렬분해) MF는 CF(Collaborative Filtering)의 한 기법이다. MF는 user-item의 매트릭스에 비어있는 요소를 채우는 기술이다. 아래의 행렬이 user-item 매트릭스라고 가정해보자 $\begin{bmatrix} 2 & 5 \\ 3 & ? \end{bmatrix}$ 2번째 user(행)가 두 번째 item에 대해서 평점을 매기지 않았다. 실제로 user-item 매트릭스는 결측치가 매우 많다. 대부분의 사람들이 소수의 영화나 아이템을 구매하기 때문이다. 이런 결측치를 채우기 위해서 차원을 축소해 영화의 Latent 한 특성(장르, 미장센, 배우..)을 찾아 별점을 채운다. 매트릭스를 채우기 위해서는 PCA나 SVD, SVD++같은 알고리즘으로 분해하거나 축소를 하며 latent 한 특성.. 이전 1 2 3 다음
