[추천시스템] 2. Item-Item Collaborative Filtering

 

 

1. approach -> User-User CF의 한계 

 좋은 결과를 제공하지만, 여러 문제가 있음

• Sparcity : 많은 item set이 있어도, rating의 수가 적음
• 계산적 문제 : 모든 pair correlation에 대해 계산을 하는 것은 많은 비용이 듦
• 해결 : Item-Item CF

 

 

 

2. Item-Item CF 과정

크게 아래 두 단계로 나뉜다.

① pairs of items에 대해 유사도 계산

② user-item rating 예측

 

 

 

3. Item-Item CF 장점

- 예측 accuray나 top-N 예측 측면에서 성능이 좋음

- Implementation이 효율적 (User가 Item보다 많은 상황 가정)

- 넓은 applicability, flexibility

 

 

 

4. Item-Item 알고리즘

user-user

• Item 유사도 : 코사인 유사도

 

• Scoring Items

 

• Neighbors 선택 : 보통 20 선택

 

• Modeling

 

 

5. Item-Item 알고리즘과 Implicit Feedback(Unary data)

- data 표현

- data 정규화

- 유사도 계산 : 코사인 유사도, 조건부 확률

- Score 총합

 

 

 

6. Item-Item Hybrids and Extensions

 

Item-Item은 확장시키기 좋음

 

예시 1

goal) user의 item에 대한 신뢰를 관련성 계산에 포함시키고 싶음

sol) 유사도를 계산하기 전에 신뢰도로 users에 가중치를 줌

효과) 신뢰도가 높은 사용자의 영향이 커짐

 

예시 2

goal) paper 중요도를 추천에 포함시키고 싶음

sol) paper user 벡터로 가중치를 줌

 

 

Item-Item CBF 가능...

 

 

 

7. Item-Item의 강점과 약점

 

(짚고 넘어갈 사실)

- Item-Item은 User-User보다 효과적

- Item-Item -> aggregated 제품연관 추천

 

• 강점 : 빠르고 안정적임, 다양한 도메인에 대하여 conservative 
• 약점..? 왜 안알려줘

 

 

 

 

 

 

 

 

 

 

 

강의가 점점 진행될 수록 아 추천이 이런거구나.. 하면서

유튜브로 기웃대던 내용과는 상당한 거리가 있음을 실감 중이다.

 

재미있다! 내 머리가 더 잘 따라와 주었으면 좋겠지만 지금도 충분하다 생각함.

 

남은 강의가 몇개 남지 않았고, 플젝도 본격적으로 진행 중이다.. 화잇팅하자..!