본문 바로가기

Recommender Systems4

Collaborative Filtering Python Implementation https://arsetstudium.tistory.com/46 에서 설명했던 User-based Collaborativg Filtering과 Item-based Collaborativg Filtering을 파이썬으로 구현한다. 학습데이터로는 MovieLens 1M 데이터를 사용한다. https://grouplens.org/datasets/movielens/1m/ 원본 데이터는 아마 .dat 형태라서 파이썬의 open 함수로 열어서 csv로 변형했던걸로 기억한다. open과 split 등으로 잘 변환해서 pandas의 dataframe 형태로 만들고 저장하면 된다. Load Data import os import numpy as np import pandas as pd import sklearn rati.. 2024. 4. 22.
Basic Collaborative Filtering Models 추천 시스템의 기본적인 Collaborative Filtering 모델들을 살펴보고자 한다. Collaborative Filtering Collaborative Filtering (이하 CF)은 한국어로 협업 필터링이라 하는데, 여러 유저의 활동들을 이용한 추천 방법론이다. 가장 간단한 예를 들자면 나와 비슷하게 상품을 구매하거나 영화/드라마를 시청한 유저들을 골라서 해당 유저들이 사용한 아이템을 추천하는 방식이다. CF는 유저들끼리의 비슷하거나 유사한 정도인, 유사도를 활용한 User-based Collaborative Filtering와 아이템들의 유사도를 활용한 Item-based Collaborative Filtering이 있다. 위 두 모델은 Charu C. Aggarwal의 Recommende.. 2024. 4. 15.
Recommender Systems Papers 추천 시스템 관련된 논문들은 정말 많은데 이 분야를 처음 접한 사람이라면 어떤걸 먼저 봐야할지 감이 잡히지 않는다. 또한 추천 시스템 아래에 수많은 하위 영역이 있는데 그 분야에서 어떤게 좋은 논문인지 모를 때가 있다. 이럴 때는 이 링크를 보면 많은 도움이 된다. 튜토리얼과 서베이 논문 부터 시작해서 소셜, 딥러닝, 콜드 스타트, POI, CTR, KG 등 다양한 세부 주제를 다룰뿐만 아니라 요즘 핫한 LLM을 이용한 논문과 Pinterest의 PinSAGE 등과 같은 기업체의 논문까지 소개하고 있다. 세부 분야에 대한 설명은 아래와 같다. 00-Tutorials: contain so many tutorials on recommendation systems given by prominent resear.. 2024. 2. 22.
추천 시스템 소개 추천 시스템 (Recommender Systems)란 사용자가 관심을 가질 만한 내용들; 상품, 영화, 드라마, 뉴스, 친구 등을 추천하는 알고리즘이다. 넷플릭스, 왓챠와 같은 OTT, 아마존 등의 쇼핑 사이트, 링크드인이나 페이스북의 친구 추천 등 다양한 방면에서 활용가능한 알고리즘이다. 추천 시스템은 여러 알고리즘을 가지는데 아래와 같이 여러 주제에 따라 분류할 수 있다. 1. Collaborative Filtering 많은 사용자들로부터 얻은 기호정보에 따라 사용자들의 관심사들을 자동적으로 예측한다. 즉, 나와 비슷한 사람들의 기존 구매 정보나 해당 아이템과 비슷한 내역의 similarity를 사용한다. 2. Content-based Recommender 영화의 줄거리, 내용 등의 아이템 특성 (a.. 2024. 1. 31.