1. 정리

요약

1. Content-Based Filtering
   • Description
     • user가 과거에 좋아했던 item과 비슷한 item을 추천
     • item feature dataset을 사용
   • Flow
     1. item embedding matrix를 구한다.
        • V : (n_items, d)
     2. user matrix를 구한다.
        • U : (n_users, d)
        • 각 user별로 item embedding을 weighted average & normalize
     3. recommend matrix를 구한다.
        • R = np.dot(U, V.transpose()) : (n_users, n_items)
        • user별 item score별로 정렬해서 추천 리스트를 내보낸다.
   • 장점
   • 단점
2. Collaborative Filtering
   • Description
     • 해당 user와 비슷한 user가 소비한 item을 추천
     • user, item의 interaction dataset을 사용
   • Flow
     1. matrix A를 만든다.
        • (user x items)
     2. matrix factorization으로 user embedding, item embedding을 만든다.
        • A ~ np.dot(U, V')
          • U : (n_users, d)
          • V : (n_items, d)
     3. user별로 높은 score의 item을 추천
   • 장점
   • 단점
3. Hybrid

질문

2. 내용

1. Recommender Systems Overview

1.1. Course Overview

• recommendation systems are about personalization
• CB reco systems
  • item의 meta 데이터를 사용
  • user가 과거에 소비한 item과 비슷한 item을 추천
• CF reco systems
  • meta data없이 item similarity와 user similarity를 학습
  • 해당 유저와 비슷한 유저가 소비한 item을 추천
  • A(users x items) ~ U x V'
    • U : (num_users x dim)
    • V : (num_items x dim)
    • A : (num_users x num_items)
      • user별 item의 score
      • user별로 높은 score의 item을 추천한다.

1.2. Recommendation Systems Overview

• Types of recomenndation systems
  1. Content-based filter
     • user가 과거에 좋아했던 item과 비슷한 item을 추천
     • item feature dataset을 사용
  2. Collaborative Filtering
     • 해당 user와 비슷한 user가 소비한 item을 추천
     • user, item의 interaction dataset을 사용
  3. Knowledge-Based
  4. Hybrid system
     • item의 feature(meta data)와 interaction data를 함께 사용
• Pitfalls
  1. Sparsity
     • user item간의 interaction matrix가 sparse함.
  2. Skewed
     • 소수의 item에 interaction이 몰린다.
     • 소수의 user(헤비유저)가 대부분의 interaction을 수행
  3. Cold-Start
     • 신규 user, 신규 item
  4. Explicit Feedback이 적다.
     • Youtube의 경우 view숫자에 비해 like숫자는 적다.

2. Content-Based Recommendation Systems

2.1. Building a Simple Vector-Based Model

• Embedding
  • 어떤 데이터를 finite dimensional vector space에 맵핑하는 작업
• Contents-Based Recommendation Systems을 만드는 Flow
  1. item embedding matrix를 구한다.
     • V : (n_items, d)
  2. user matrix를 구한다.
     • U : (n_users, d)
     • 각 user별로 item에 대한 선호도를 계산한다.
       • 예시: user가 평점을 매긴 item들에 대해서 weighted average & normalize
  3. recommend matrix를 구한다.
     • R = np.dot(U, V.transpose()) : (n_users, n_items)
     • user별 item score별로 정렬해서 추천 리스트를 내보낸다.

2.2. Building a Content-Based Recommendation System with a Neural Network

3. COLLABORATIVE FILTERING RECOMMENDATION SYSTEMS

• user-item의 interaction data를 활용한다.
• Flow
  1. matrix A를 만든다.
     • (user x items)
     • rating 또는 0/1으로 matrix를 채운다.
  2. matrix factorization으로 user embedding, item embedding을 만든다.
     • A ~ np.dot(U, V')
       • U : (n_users, d)
       • V : (n_items, d)
  3. user별로 높은 score의 item을 추천