bigkite

- 기존 추천 시스템 Model - Sequential Recommendation - GRU4Rec - SASRec - BERT4Rec 기존 추천시스템 Model ( Contents- Based, Collaborative Filtering....) 사용자의 과거 item 선택 정보가 동일하게 중요하다는 기본 가정에서 출발 → 주로 선택하던 아이템과 다른 아이템이 등장할 경우, 이에 대한 설명이 부족하고, 사용자가 주로 선택하던 item만을 추천한다는 단점이 있음 → 시간의 정보를 반영해주지 않음, 구매의 순서, 시기를 무시한다는 단점 그러나, 일반적으로 상품 구매 패턴에는 구매 순서, 시기가 반영됨! 또한, 유저의 선호도는 끊임없이 변화할 수 있으며, 과거 구매 정보가 '동일하게' 중요하다기 보다는 최근..

Intro Collaborative Filtering 은 크게 봤을 때 neighborhood method와 latent factor models 2가지로 나눌 수 있음 neighborhood method는 user들 끼리 or item 끼리 유사도를 측정해서 유사한 선호도를 가지는 item의 추천을 진행하는 방식이었다면, latent factor model은 관찰된 데이터 속에서 잠재되어 있는 유저와 아이템의 특성을 뽑아내서 유사한 정도를 파악하고 추천을 진행하는 방식이라고 볼 수 있음! Matrix Factorization 행렬 분해 Interaction Matrix ( 상호작용 행렬 ) 각 유저가 아이템에 대해 매긴 평점, 혹은 구매/클릭 여부를 나타낸 행렬 → 유저의 직접적/간접적인 선호가 드러나..

- 컨텐츠 기반 필터링 - 협업 필터링 - 하이브리드 필터링 협업 필터링 vs 컨텐츠 필터링 "너가 좋아했던 그거, 그거 찾던 애들은 이것도 찾던데? " vs "너 그거 좋아했으니, 그거랑 비슷한 이것도 좋아할 거야!" 컨텐츠 기반 필터링(Contents - Based Filtering) "너 그거 좋아했으니, 그거랑 비슷한 이것 도 좋아할 거야!" 컨텐츠 필터링 구현 절차 1) 피처 추출 - 아이템의 유사성을 계산하기 위해, 아이템의 특성을 추출 - 상품의 특징을 담은 tabular feature 사용하거나, 텍스트의 경우 TF-IDF 기법 적용 2) 사용자 프로필 정보 생성 - 유저의 선호도를 나타내는 역할 수행 - 유저가 상호작용한 아이템의 특징을 집계하여 생성 3) 유사도 계산 - 아이템과 사용자..

- 추천시스템이란 - 추천시스템의 제약 사항 - 추천시스템 파이프라인 - 고전 추천 알고리즘의 종류 - 연관 규칙 추천 추천시스템의 개요 추천 시스템? 유저와 아이템의 주변 정보와 상호작용 기록을 바탕으로 유저가 선호할 아이템을 예측하여 유저의 의사결정을 돕는 인공지능 서비스 User : 서비스를 이용하는 주체 Item : 서비스에서 판매 / 제공하는 대상 물품 Interaction / log : 서비스 내에서 유저가 남기는 일련의 행동 기록 → 유저에게 유관한 정보만을 Filtering 해줌으로써 Information Overload로부터 도움! → 추천시스템은 커머스/ 컨텐츠 / POI 등의 어플리케이션에서 널리 사용되며 유저의 리텐션을 확보함으로써 기업의 직간접적인 수익창출에 기여 추천시스템의 한계..