[3] 추천 시스템 3

[1] 사용자 아이템 기반 협업 필터링의 문제점

- 확장성: 큰 행렬 계산이 어려움

- 부족한 데이터: 많은 사용자들이 충분한 리뷰를 남기지 않음

- 해결: 모델 기반 협업 필터링

 

[2] SVD 알고리즘

: 행렬 분해 방식, 2개 또는 3개의 작은 행렬의 곱으로 단순화

사용자/영화 행렬의 분해: A=U 시그마 (V^T), U: 사용자를 나타내는 작은 행렬, 시그마: U의 특정 부분을 시그널을 증폭시켜주는 행렬, V^T: 아이템을 나타내는 작은 행렬

 

[3] 오토 인코더

: 대표적인 비지도 학습을 위한 딥러닝 모델

노드의 수를 줄이는 것이 목표, 입력 데이터에서 불필요한 특징들을 제거한 압축된 특징을 학습함

구조) 출력층의 노드 개수 == 입력 층의 노드 개수, 은닉층의 노드 개수 < 출력/입력층의 노드 개수

 

[4] 추천 엔진 평가 방법

1) 평점 기반: 평점을 예측하고 실제 평점과 비교, RMDE 또는 MAE 사용

2) Top-N 추천 정확도 기반: 사용자별로 일부 높은 평점 레코드(사용자, 아이템, 평점)를 따로 빼놓고 나중에 추천되는 아이템들과의 일치율 계산, LOOCV 테스트 방법과 병행하여 사용

3) LOOCV (leave one out cross validation): 교차 검증에서 폴드 수가 training data record 수와 동일한 경우, test를 한 예제를 대상으로 하는 것, train data에 N개의 예제가 있다면 N-1개로 학습하고 나머지 1개로 테스트하는 것을 N번 반복함